ترجمه فارسی مقاله معادلات ابر فرود عصبی (NICE): افزایش کارایی مدل های زیرشبکه و کشف معادلات علمی با استفاده از ODE های عصبی و رگرسیون نمادین

چکیده

It is now well established that galactic systems are inherently multiphase, and that understanding the roles and interactions of the various phases is key towards a more complete picture of galaxy formation and evolution. For example, these interactions play a pivotal role in the cycling of baryons which fuels star formation. It remains a challenge that the transport and dynamics of cold clouds in their surrounding hot environment are governed by complex small scale processes (such as the interplay of turbulence and radiative cooling) that determine how the phases exchange mass, momentum and energy. Large scale models thus require subgrid prescriptions in the form of models validated on small scale simulations, which can take the form of a system of coupled differential equations. In this work, we explore using neural ordinary differential equations which embed a neural network as a term in the subgrid model to capture an uncertain physical process. We then apply Symbolic Regression on the learned model to potentially discover new insights into the physics of cloud-environment interactions. We test this on both generated mock data and actual simulation data. We also extend the neural ODE to include a secondary neural term. We show that neural ODEs in tandem with Symbolic Regression can be used to enhance the accuracy and efficiency of subgrid models, and/or discover the underlying equations to improve generality and scientific understanding. We highlight the potential of this scientific machine learning approach as a natural extension to the traditional modelling paradigm, both for the development of semi-analytic models and for physically interpretable equation discovery in complex non-linear systems.

چکیده به فارسی (ترجمه ماشینی)

اکنون به خوبی مشخص شده است که سیستم های کهکشانی ذاتاً چند برابر هستند و درک نقش ها و تعامل مراحل مختلف به سمت تصویر کامل تر از شکل گیری و تکامل کهکشان مهم است.به عنوان مثال ، این فعل و انفعالات نقش مهمی در دوچرخه سواری باریون ها دارند که باعث تشکیل ستاره می شود.این یک چالش باقی مانده است که حمل و نقل و پویایی ابرهای سرد در محیط گرم اطراف آنها توسط فرآیندهای پیچیده در مقیاس کوچک (مانند تعامل آشفتگی و خنک کننده تابشی) اداره می شود که تعیین می کند که چگونه مراحل تبادل جرم ، حرکت و انرژی است.بنابراین مدل های مقیاس بزرگ به نسخه های زیر شبکه ای در قالب مدل های معتبر در شبیه سازی های مقیاس کوچک نیاز دارند ، که می تواند به شکل یک سیستم معادلات دیفرانسیل همراه باشد.در این کار ، ما با استفاده از معادلات دیفرانسیل عادی عصبی که یک شبکه عصبی را به عنوان یک اصطلاح در مدل زیر شبکه برای گرفتن یک فرایند فیزیکی نامشخص درج کرده ایم ، بررسی می کنیم.سپس رگرسیون نمادین را بر روی مدل آموخته شده برای کشف بالقوه بینش های جدید در فیزیک تعامل ابر محیط استفاده می کنیم.ما این را در هر دو داده مسخره تولید شده و داده های شبیه سازی واقعی آزمایش می کنیم.ما همچنین ODE عصبی را گسترش می دهیم تا یک اصطلاح عصبی ثانویه را شامل شود.ما نشان می دهیم که ODE های عصبی به طور همزمان با رگرسیون نمادین می توانند برای افزایش صحت و کارآیی مدلهای زیر شبکه و یا کشف معادلات اساسی برای بهبود کلی و درک علمی استفاده شوند.ما پتانسیل این رویکرد یادگیری ماشین علمی را به عنوان یک پسوند طبیعی به الگوی مدل سازی سنتی ، هم برای توسعه مدلهای نیمه تحلیلی و هم برای کشف معادله قابل تفسیر در سیستم های پیچیده غیر خطی برجسته می کنیم.