論文の概要: Climbing down Charney's ladder: Machine Learning and the post-Dennard
era of computational climate science
- arxiv url: http://arxiv.org/abs/2005.11862v2
- Date: Thu, 30 Jul 2020 16:19:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 14:08:17.765138
- Title: Climbing down Charney's ladder: Machine Learning and the post-Dennard
era of computational climate science
- Title（参考訳）: Charneyのはしごを登る:機械学習と計算気候科学のポストDennard時代
- Authors: V. Balaji
- Abstract要約: 1950年代のデジタルコンピューティングは、気象と気候の科学に革命をもたらした。
コンピューティングの現在の流行は、デナードスケーリングと呼ばれるものの終わりを告げている。
あるアプローチでは、パターン認識と外挿の初期の時代に戻ることができます。
別のアプローチは、数学的方程式で表現され続ける洞察につながる可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of digital computing in the 1950s sparked a revolution in the
science of weather and climate. Meteorology, long based on extrapolating
patterns in space and time, gave way to computational methods in a decade of
advances in numerical weather forecasting. Those same methods also gave rise to
computational climate science, studying the behaviour of those same numerical
equations over intervals much longer than weather events, and changes in
external boundary conditions. Several subsequent decades of exponential growth
in computational power have brought us to the present day, where models ever
grow in resolution and complexity, capable of mastery of many small-scale
phenomena with global repercussions, and ever more intricate feedbacks in the
Earth system.
The current juncture in computing, seven decades later, heralds an end to
what is called Dennard scaling, the physics behind ever smaller computational
units and ever faster arithmetic. This is prompting a fundamental change in our
approach to the simulation of weather and climate, potentially as revolutionary
as that wrought by John von Neumann in the 1950s. One approach could return us
to an earlier era of pattern recognition and extrapolation, this time aided by
computational power. Another approach could lead us to insights that continue
to be expressed in mathematical equations. In either approach, or any synthesis
of those, it is clearly no longer the steady march of the last few decades,
continuing to add detail to ever more elaborate models. In this prospectus, we
attempt to show the outlines of how this may unfold in the coming decades, a
new harnessing of physical knowledge, computation, and data.
- Abstract（参考訳）: 1950年代のデジタルコンピューティングの出現は、気象と気候の科学に革命をもたらした。
気象学(meteorology)は、時間と空間のパターンの補間に基づくもので、数値気象予測の10年間で計算手法に応用された。
同様の手法は計算気候科学にももたらされ、気象現象よりもはるかに長い間隔で同じ数値方程式の振る舞いを研究し、外部境界条件を変化させた。
その後の数十年間、計算能力の指数関数的な成長によって、今日では、モデルが解像度と複雑さで成長し、大域的な影響を伴う多くの小さな現象を熟達し、地球系においてさらに複雑なフィードバックを得られるようになった。
コンピューティングの現在の流行は、70年後、デナードスケーリング(Dennard Scaling)と呼ばれる、より小さな計算ユニットの背後にある物理学と、より高速な算術の終わりを告げた。
これは、1950年代にジョン・フォン・ノイマンが提唱したように、気象と気候のシミュレーションに対する我々のアプローチに根本的な変化をもたらしている。
1つのアプローチは、パターン認識と外挿の初期の時代、今回は計算力によって助けられるだろう。
別のアプローチは、数学的方程式で表現され続ける洞察につながる可能性がある。
いずれのアプローチでも、あるいはそれらの合成でも、もはや過去数十年の定常的な行進ではないことは明らかであり、より精巧なモデルに詳細を加え続けている。
この展望では、物理的な知識、計算、そしてデータの新たな活用によって、今後数十年でどのように展開されるかを示す。
関連論文リスト
- A Triumvirate of AI Driven Theoretical Discovery [0.0]
近い将来、AIに取って代わられる危険はないが、人間の専門知識とAIアルゴリズムのハイブリッドは、理論的な発見の不可欠な部分になる、と我々は主張する。
論文 参考訳（メタデータ） (2024-05-30T11:57:00Z) - Building a temperature forecasting model for the city with the regression neural network (RNN) [0.0]
天気予報モデルの研究は、2000年頃に始まったばかりである。
コンピュータ科学の進歩と共に、数学的モデルは、より正確で信頼性の高い予測モデルを作成するために、機械学習技術で構築され、応用されている。
本稿では,都市温度の予測にリカレントニューラルネットワークを適用するための研究とソリューションについて概説する。
論文 参考訳（メタデータ） (2024-05-27T18:32:36Z) - Spherical Fourier Neural Operators: Learning Stable Dynamics on the
Sphere [53.63505583883769]
球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。
SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
論文 参考訳（メタデータ） (2023-06-06T16:27:17Z) - M-ENIAC: A machine learning recreation of the first successful numerical
weather forecasts [0.0]
物理インフォームドニューラルネットワークを用いて、最初の数値天気予報を再現する。
物理インフォームドニューラルネットワークは、ENIACソルバと比較して、球面上の気象方程式を解くための、より簡単で正確な手法を提供する。
論文 参考訳（メタデータ） (2023-04-18T15:42:46Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - A Computational Inflection for Scientific Discovery [48.176406062568674]
我々は科学的な発見の軌跡において、かなりの屈折の足元に立っている。
社会が急速に成長するデジタルトランスフォーメーションを継続するにつれて、人類の集団的な科学的知識も同様である。
コンピュータ科学は科学プロセス自体に革命を起こそうとしている。
論文 参考訳（メタデータ） (2022-05-04T11:36:54Z) - Neurocompositional computing: From the Central Paradox of Cognition to a
new generation of AI systems [120.297940190903]
AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。
ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
論文 参考訳（メタデータ） (2022-05-02T18:00:10Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - Limitations of Deep Learning for Inverse Problems on Digital Hardware [65.26723285209853]
我々は、チューリングマシンとしてモデル化された現在のハードウェアプラットフォームで実際に計算できるものを分析する。
有限次元逆問題は小さな緩和パラメータに対してバナッハ・マズール計算可能でないことを証明した。
論文 参考訳（メタデータ） (2022-02-28T00:20:12Z) - Advances in Machine and Deep Learning for Modeling and Real-time
Detection of Multi-Messenger Sources [21.265580952147594]
人工知能アルゴリズムを応用し、多核宇宙物理学における計算的大いなる課題に取り組む先駆的な取り組みについて説明します。
本稿では, 科学的可視化と超大規模計算の重要性を考察する。
論文 参考訳（メタデータ） (2021-05-13T18:00:02Z) - The Rise of AI-Driven Simulators: Building a New Crystal Ball [6.289422225292999]
米国と国際的な繁栄、安全保障、健康は、シミュレーション能力の継続的な改善に大きく依存している。
過去10年は相補的な分野に著しい進歩をもたらした。
本稿では,結束的,多学際的,応用に触発された研究課題の一部として,我々が構想するテーマについて述べる。
論文 参考訳（メタデータ） (2020-12-11T00:13:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。