論文の概要: Combining data assimilation and machine learning to infer unresolved
scale parametrisation
- arxiv url: http://arxiv.org/abs/2009.04318v2
- Date: Tue, 8 Dec 2020 11:13:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 11:58:15.232456
- Title: Combining data assimilation and machine learning to infer unresolved
scale parametrisation
- Title（参考訳）: データ同化と機械学習の組み合わせによる未解決スケールのパラメータ推定
- Authors: Julien Brajard, Alberto Carrassi, Marc Bocquet and Laurent Bertino
- Abstract要約: 近年、動的数値モデルにおいて、未解決プロセスのデータ駆動パラメトリクスを考案する機械学習が提案されている。
我々のゴールは、高分解能シミュレーションの使用を超えて、直接データを用いてMLベースのパラメーターを訓練することである。
いずれの場合も、ハイブリッドモデルは、切り落とされたモデルよりも優れたスキルで予測を得られることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, machine learning (ML) has been proposed to devise
data-driven parametrisations of unresolved processes in dynamical numerical
models. In most cases, the ML training leverages high-resolution simulations to
provide a dense, noiseless target state. Our goal is to go beyond the use of
high-resolution simulations and train ML-based parametrisation using direct
data, in the realistic scenario of noisy and sparse observations.
The algorithm proposed in this work is a two-step process. First, data
assimilation (DA) techniques are applied to estimate the full state of the
system from a truncated model. The unresolved part of the truncated model is
viewed as a model error in the DA system. In a second step, ML is used to
emulate the unresolved part, a predictor of model error given the state of the
system. Finally, the ML-based parametrisation model is added to the physical
core truncated model to produce a hybrid model.
The DA component of the proposed method relies on an ensemble Kalman filter
while the ML parametrisation is represented by a neural network. The approach
is applied to the two-scale Lorenz model and to MAOOAM, a reduced-order coupled
ocean-atmosphere model. We show that in both cases the hybrid model yields
forecasts with better skill than the truncated model. Moreover, the attractor
of the system is significantly better represented by the hybrid model than by
the truncated model.
- Abstract（参考訳）: 近年、動的数値モデルにおいて未解決プロセスのデータ駆動パラメータを考案するために機械学習(ml)が提案されている。
ほとんどの場合、MLトレーニングは高分解能シミュレーションを利用して、密度の高いノイズのないターゲット状態を提供する。
本研究の目的は,高分解能シミュレーションと直接データを用いたmlに基づくパラメータの訓練を,ノイズとスパース観測の現実的なシナリオとして活用することである。
本研究で提案するアルゴリズムは2段階のプロセスである。
まず、データ同化(DA)技術を用いて、トランクされたモデルからシステムの完全な状態を推定する。
切断されたモデルの未解決部分は、daシステムにおけるモデルエラーと見なされる。
第2のステップでは、MLは、システムの状態に応じてモデルエラーの予測子である未解決部分をエミュレートするために使用される。
最後に、MLに基づくパラメトリシエーションモデルが物理コアトランケートモデルに追加され、ハイブリッドモデルが生成される。
提案手法のDA成分はアンサンブルカルマンフィルタに依存し,MLパラメトリゼーションはニューラルネットワークで表現される。
このアプローチは2スケールのlorenzモデルと、低次結合海洋-大気圏モデルであるmaooamに適用される。
いずれの場合も、ハイブリッドモデルは、切り落とされたモデルよりも優れたスキルで予測を得る。
さらに, システムの魅力は, 混成モデルの方が, 切り離されたモデルよりもはるかに良く表現されている。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Scaling up machine learning-based chemical plant simulation: A method
for fine-tuning a model to induce stable fixed points [2.0599237172837523]
我々は、構造化されたアプローチを用いて、機械学習モデルを直接植物センサーデータに適合させる。
より小型の植物の場合、このアプローチはうまく機能するが、大型の植物の場合、フローシートの大規模でネストしたサイクルから生じる複雑なダイナミクスは、ソルバの不安定性に繋がる。
勾配は予期せぬ方向に向けることができるため、解法が正しい定常状態に収束するのを防ぐことができる。
論文 参考訳（メタデータ） (2023-07-25T16:23:32Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - A Data-driven feature selection and machine-learning model benchmark for
the prediction of longitudinal dispersion coefficient [29.58577229101903]
縦方向分散(LD)係数の正確な予測は、関連するシミュレーションにおいて性能の飛躍をもたらすことができる。
本研究では, 蒸留した局所最適値と代表MLモデルとの数値比較により, 大域的最適特徴集合を提案した。
その結果,サポートベクタマシンは他のモデルよりも大幅に性能が向上していることがわかった。
論文 参考訳（メタデータ） (2021-07-16T09:50:38Z) - Training Structured Mechanical Models by Minimizing Discrete
Euler-Lagrange Residual [36.52097893036073]
structured mechanical models (smms) は、機械システムのデータ効率の良いブラックボックスパラメータ化である。
離散オイラーラグランジュ残差を最小化することにより,SMMをデータに適用する手法を提案する。
実験の結果,従来のSMMの適合方式よりも精度の高いモデルが得られた。
論文 参考訳（メタデータ） (2021-05-05T00:44:01Z) - Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。
本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文 参考訳（メタデータ） (2020-11-09T18:51:55Z) - Using machine learning to correct model error in data assimilation and
forecast applications [0.0]
本稿では,既存の知識ベースモデルの誤りを訂正するために,この手法を提案する。
結果として得られるサロゲートモデルは、元の(知識ベース)モデルとMLモデルとのハイブリッドモデルである。
DAのハイブリッドサロゲートモデルを用いることで、元のモデルよりもはるかに優れた分析が得られる。
論文 参考訳（メタデータ） (2020-10-23T18:30:45Z)
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。