ترجمه فارسی مقاله استنباط توپوگرافی زیر آب با FINN

چکیده

Spatiotemporal partial differential equations (PDEs) find extensive application across various scientific and engineering fields. While numerous models have emerged from both physics and machine learning (ML) communities, there is a growing trend towards integrating these approaches to develop hybrid architectures known as physics-aware machine learning models. Among these, the finite volume neural network (FINN) has emerged as a recent addition. FINN has proven to be particularly efficient in uncovering latent structures in data. In this study, we explore the capabilities of FINN in tackling the shallow-water equations, which simulates wave dynamics in coastal regions. Specifically, we investigate FINN’s efficacy to reconstruct underwater topography based on these particular wave equations. Our findings reveal that FINN exhibits a remarkable capacity to infer topography solely from wave dynamics, distinguishing itself from both conventional ML and physics-aware ML models. Our results underscore the potential of FINN in advancing our understanding of spatiotemporal phenomena and enhancing parametrization capabilities in related domains.

چکیده به فارسی (ترجمه ماشینی)

معادلات دیفرانسیل جزئی فضایی (PDE) کاربردهای گسترده ای را در زمینه های مختلف علمی و مهندسی پیدا می کنند.در حالی که مدلهای بی شماری از جوامع فیزیک و یادگیری ماشین (ML) پدید آمده اند ، روند فزاینده ای برای ادغام این رویکردها برای توسعه معماری های ترکیبی معروف به مدلهای یادگیری ماشین آگاهی فیزیک وجود دارد.در میان اینها ، شبکه عصبی حجم محدود (FINN) به عنوان یک افزودنی اخیر ظاهر شده است.ثابت شده است که فین در کشف ساختارهای نهفته در داده ها به ویژه کارآمد است.در این مطالعه ، ما توانایی های فنلاندی را در مقابله با معادلات کم عمق آب ، که دینامیک موج در مناطق ساحلی را شبیه سازی می کند ، بررسی می کنیم.به طور خاص ، ما اثربخشی فنلاندی را برای بازسازی توپوگرافی زیر آب بر اساس این معادلات موج خاص بررسی می کنیم.یافته های ما نشان می دهد که فین ظرفیت قابل توجهی برای استنباط توپوگرافی صرفاً از پویایی موج نشان می دهد ، و خود را از هر دو مدل ML معمولی و فیزیک آگاه ML متمایز می کند.نتایج ما پتانسیل فنلاندی را در پیشبرد درک ما از پدیده های مکانی و مکانی و تقویت قابلیت های پارامتر در حوزه های مرتبط تأکید می کند.