Robust learning from noisy, incomplete, high-dimensional experimental data via physically constrained symbolic regression.
Robust learning from noisy, incomplete, high-dimensional experimental data via physically constrained symbolic regression.
复制标题
DOI：
10.1038/s41467-021-23479-0
复制
发表时间：
2021-05-28
影响因子：
16.6
通讯作者：
Grigoriev RO
中科院分区：
文献类型：
--
作者：
Reinbold PAK;Kageorge LM;Schatz MF;Grigoriev RO
机器学习为从实验数据中发现新的物理现象提供了一种有趣的替代第一性原理分析。然而，到目前为止，纯数据驱动的方法只被证明成功地揭示了描述具有低噪声水平的简单低维系统的物理定律。在这里，我们证明了将数据驱动的方法与一些一般物理原理相结合，可以从既有噪声又不完整的高维数据中发现非平衡空间扩展系统的定量精确模型。我们用一个只有速度场可接近的实验性弱湍流流体来说明这一点。我们还表明，这种混合方法允许重建不可接近的变量-驱动流动的压力和强迫场。Reinbold等人提出了一种基于物理的数据驱动方法，该方法利用描述弱湍流的高维、嘈杂和不完整的实验数据成功地发现了一个动力学模型。这种方法也适用于其他非平衡空间扩展系统。
Machine learning offers an intriguing alternative to first-principle analysis for discovering new physics from experimental data. However, to date, purely data-driven methods have only proven successful in uncovering physical laws describing simple, low-dimensional systems with low levels of noise. Here we demonstrate that combining a data-driven methodology with some general physical principles enables discovery of a quantitatively accurate model of a non-equilibrium spatially extended system from high-dimensional data that is both noisy and incomplete. We illustrate this using an experimental weakly turbulent fluid flow where only the velocity field is accessible. We also show that this hybrid approach allows reconstruction of the inaccessible variables – the pressure and forcing field driving the flow. Reinbold et al. propose a physics-informed data-driven approach that successfully discovers a dynamical model using high-dimensional, noisy and incomplete experimental data describing a weakly turbulent fluid flow. This approach is relevant to other non-equilibrium spatially-extended systems.
登录
查看更多内容
影响因子：
8.6
作者：
Iten, Raban;Metger, Tony;del Rio, Lidia
通讯作者：
del Rio, Lidia
影响因子：
2.4
作者：
Reinbold, Patrick A. K.;Grigoriev, Roman O.
通讯作者：
Grigoriev, Roman O.
影响因子：
2.9
作者：
Gurevich, Daniel R.;Reinbold, Patrick A. K.;Grigoriev, Roman O.
通讯作者：
Grigoriev, Roman O.
影响因子：
4.3
作者：
PREISIG, HA;RIPPIN, DWT
通讯作者：
RIPPIN, DWT
DOI：
10.1073/pnas.1517384113
发表时间：
2016-04-12
影响因子：
11.1
作者：
Brunton, Steven L.;Proctor, Joshua L.;Kutz, J. Nathan
通讯作者：
Kutz, J. Nathan