基于遗传算法的地球物理流体代理建模中的超参数搜索
摘要：用于地球物理流动的计算模型在数据同化、不确定性量化等多次查询任务中需要大量的计算资源，因此需要寻找替代模型来减轻计算负担。研究人员开始应用机器学习算法，特别是神经网络，建立基于数据的地球物理流动替代模型。神经网络的性能高度依赖于其架构设计和选择其他超参数。这些神经网络通常通过试错法进行手动设计，以最大化其性能。这通常需要对神经网络的领域知识以及感兴趣的问题有所了解。使用进化算法可以解决这个限制，自动设计神经网络的架构和选择最佳超参数。在本文中，我们应用遗传算法有效地设计了长短期记忆（LSTM）神经网络，用于构建海表温度场的非侵入式降阶模型。
作者：Suraj Pawar, Omer San, Gary G. Yen
论文ID：2201.02389
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-01-10