008240612s2023      us  |||||||||||||||c||eng  d
■001000016931745
■00520240214100112
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379762131
■035    ▼a(MiAaPQ)AAI30421717
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWang,  Rui.
■24510▼aPhysics-Guided  Deep  Learning  for  Dynamics  Forecasting▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  San  Diego.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(138  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Yu,  Rose.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aModeling  complex  dynamics  is  a  fundamental  task  in  science,  such  as  turbulence  modeling  and  weather  forecasting.  Physics-based  models,  which  rely  on  mathematical  principles,  can  accurately  predict  dynamics  but  can  be  computationally  intensive  and  not  fully  known.  Deep  Learning  provides  efficient  alternatives  to  simulating  dynamics  but  it  lacks  physical  consistency  and  struggles  with  generalization.  Thus,  there  is  a  growing  need  for  integrating  prior  physics  knowledge  with  deep  learning  to  take  the  best  of  both  types  of  approaches  to  better  solve  scientific  problems.  Thus,  the  study  of  physics-guided  DL  emerged  and  has  gained  great  progress.  In  this  thesis,  we  described  the  physics-guide  DL  for  dynamics  forecasting  and  presented  several  approaches  to  improving  the  physical  consistency,  accuracy,  and  generalization  of  DL  models  for  dynamics  forecasting.  The  approaches  include  incorporating  prior  physical  knowledge  into  the  design  of  model  architecture  and  loss  functions  for  improved  physical  consistency  and  accuracy,  leveraging  model-based  meta-learning  for  improved  generalization  across  heterogeneous  domains,  simplifying  nonlinear  dynamics  with  Koopman  theory  for  improved  generalization  over  temporal  distributional  shifts,  and  incorporating  symmetries  into  deep  dynamics  models  for  improved  generalization  across  relevant  symmetry  groups  and  consistency  with  conservation  laws.  In  the  end,  we  also  summarize  the  challenges  in  this  field  and  discuss  the  emerging  opportunities  for  future  research.
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  science.
■650  4▼aComputer  engineering.
■653    ▼aAI  for  Science
■653    ▼aDeep  Learning
■653    ▼aDynamical  systems
■653    ▼aMachine  learning
■653    ▼aSpatiotemporal  modeling
■653    ▼aSymmetry
■690    ▼a0800
■690    ▼a0984
■690    ▼a0464
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931745▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024