【NYU博士论文】机器学习仿真

物理系统的计算建模是科学计算的核心任务。机器学习方法可以扩展传统的偏微分方程建模方法，并有潜力简化建模过程，提高仿真准确性和性能。在本论文中，我们探讨了使用神经网络从数据中学习系统行为的方法。我们评估了作为仿真器使用时的性能-准确性权衡，并利用从中获得的洞察，探讨了将其应用于气候模型中的子网格参数化学习的具体应用。对于这一任务，我们提出了两种新颖的技术，通过调整架构以结合有利的归纳偏置，并通过增加训练数据来鼓励稳定性，从而提高所学参数化的准确性和稳定性。