Speaker
Description
Актуальность работы обусловлена высокой вычислительной сложностью метода Монте-Карло при моделировании переноса излучения в рассеивающих средах, что ограничивает его применение в многовариантных расчётах и при решении обратных задач атмосферной оптики. В качестве альтернативы предлагается использование алгоритмов машинного обучения, которые обучаются на заранее рассчитанных данных Монте-Карло и способны прогнозировать результат практически мгновенно.
В работе проводится сравнительное исследование трёх алгоритмов машинного обучения – гауссовского процесса, случайного леса и нейросетевой регрессии – при решении задачи прогнозирования углового распределения яркости по оптическим параметрам среды. Входным параметром служит коэффициент аэрозольного ослабления, выходом – значение яркости в заданном угле наблюдения. Данные для обучения и тестирования генерируются с помощью имитационной модели переноса излучения, реализующей метод локальной оценки Монте-Карло и учитывающей молекулярное рассеяние и аэрозольное ослабление. Полученная выборка случайным образом разделяется на обучающую (70–80% данных) и тестовую (20–30%) части. На обучающей выборке настраиваются параметры ML-алгоритмов, на тестовой – оценивается их предсказательная способность по коэффициенту детерминации R² и среднеквадратичной ошибке. Особое внимание уделяется гауссовскому процессу, который, помимо точечного прогноза, предоставляет доверительный интервал, что позволяет контролировать статистическую неопределённость, аналогичную оценке погрешности в методе Монте-Карло. Планируется определить алгоритм, обеспечивающий наилучшую точность прогноза, а также количественно оценить выигрыш в вычислительной трудоёмкости по сравнению с прямым расчётом методом Монте-Карло. Предлагаемый подход может быть применён для ускорения расчётов в задачах переноса излучения, дистанционного зондирования и в других областях, где традиционно используется метод Монте-Карло, но требуется быстрое получение результатов при многократном варьировании входных параметров.
