Краткое содержание

arXiv:2412.04845v5 Тип объявления: замена Аннотация: В значительной степени вследствие трудностей, связанных с физической интерпретируемостью методов машинного обучения (ML), и поскольку интерпретируемость моделей является ключевым фактором доверия в управленческих приложениях, многие ученые и практики не решаются отказаться от традиционных физических-концептуальных (ПК) подходов моделирования несмотря на их худшую прогностическую эффективность. Здесь мы исследуем, каким образом можно разработать экономичные минимально оптимальные представления, способствующие лучшему пониманию функционирования системы. Термин «минимально оптимальный» означает, что желаемый результат достигается с наименьшими возможными усилиями и ресурсами, тогда как принцип простоты широко признан поддерживающим понимание. Соответственно, мы предлагаем использовать в моделях на основе машинного обучения вычислительные элементы, изначально физически интерпретируемые, и изучаем, как универсальные сетевые архитектуры, состоящие из воспринимающих элементов с сохранением массы (Mass-Conserving Perceptrons), могут применяться для моделирования динамических систем в физически-интерпретируемых терминах.