論文の概要: Generative Modeling for Atmospheric Convection
- arxiv url: http://arxiv.org/abs/2007.01444v2
- Date: Sat, 24 Oct 2020 22:43:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 06:12:19.313533
- Title: Generative Modeling for Atmospheric Convection
- Title(参考訳): 大気対流生成モデル
- Authors: Griffin Mooers, Jens Tuyls, Stephan Mandt, Michael Pritchard, Tom
Beucler
- Abstract要約: 変分オートエンコーダ(VAE)の設計と実装により、小規模の嵐を安価に再現する生成モデルの可能性を探る。
VAEは、地球にまたがる6*106サンプルに対して、高分解能の垂直速度場の構造再現、次元縮小、クラスタリングを行う。
対流の空間構造を再構築し、対流組織体制の教師なしクラスタリングを行い、異常な嵐活動を特定する。
- 参考スコア(独自算出の注目度): 13.104272504735052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While cloud-resolving models can explicitly simulate the details of
small-scale storm formation and morphology, these details are often ignored by
climate models for lack of computational resources. Here, we explore the
potential of generative modeling to cheaply recreate small-scale storms by
designing and implementing a Variational Autoencoder (VAE) that performs
structural replication, dimensionality reduction, and clustering of
high-resolution vertical velocity fields. Trained on ~6*10^6 samples spanning
the globe, the VAE successfully reconstructs the spatial structure of
convection, performs unsupervised clustering of convective organization
regimes, and identifies anomalous storm activity, confirming the potential of
generative modeling to power stochastic parameterizations of convection in
climate models.
- Abstract(参考訳): クラウド解決モデルは、小規模の嵐の形成と形態の詳細を明示的にシミュレートすることができるが、これらの詳細は、計算資源の欠如により、しばしば気候モデルによって無視される。
本稿では,構造的複製,次元縮小,高分解能垂直速度場のクラスタリングを行う変分オートエンコーダ(vae)の設計と実装により,小型ストームを安価に再現するための生成モデリングの可能性を検討する。
地球にまたがる6*10^6のサンプルで訓練されたVAEは、対流の空間構造を再構築し、対流組織体制の教師なしクラスタリングを行い、異常な嵐活動を特定し、気象モデルにおける対流の確率的パラメータ化を動力源とする生成モデルの可能性を確認する。
関連論文リスト
- FluxGAN: A Physics-Aware Generative Adversarial Network Model for
Generating Microstructures That Maintain Target Heat Flux [0.0]
本稿では,大規模構造物の高品質な画像を同時に生成できる物理認識型生成逆ネットワークモデルFluxGANを提案する。
このモデルは2次元(2次元)の例で訓練した後、3次元(3次元)ドメインでコーティングミクロ組織と物理プロセスを生成することができる。
本手法は, 溶射皮膜の設計と最適化を, 様々な用途に応用できる可能性を持っている。
論文 参考訳(メタデータ) (2023-10-06T23:13:40Z) - Evaluating the diversity and utility of materials proposed by generative
models [38.85523285991743]
本稿では, 逆設計プロセスの一部として, 物理誘導結晶生成モデルという, 最先端の生成モデルを用いる方法を示す。
本研究は, 逆設計を改善するために, 生成モデルをどのように改善するかを示唆する。
論文 参考訳(メタデータ) (2023-08-09T14:42:08Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Machine learning emulation of a local-scale UK climate model [22.374171443798037]
我々は,高解像度降雨の現実的なサンプルを生成できる機械学習モデルを初めて示す。
自己学習型位置情報を低分解能の相対渦性, 量子および試料の時間平均に付加することにより, 高分解能シミュレーションとよく一致した。
論文 参考訳(メタデータ) (2022-11-29T11:44:35Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳(メタデータ) (2022-06-13T03:41:31Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Scientific multi-agent reinforcement learning for wall-models of
turbulent flows [5.678337324555036]
大規模シミュレーションのための壁モデル発見のための科学的マルチエージェント強化学習(SciMARL)を紹介する。
現在のシミュレーションは、完全に解決されたシミュレーションよりも数桁の計算コストを削減している。
論文 参考訳(メタデータ) (2021-06-21T14:30:10Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文 参考訳(メタデータ) (2020-05-18T18:45:09Z)
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。