論文の概要: PCE-PINNs: Physics-Informed Neural Networks for Uncertainty Propagation
in Ocean Modeling
- arxiv url: http://arxiv.org/abs/2105.02939v1
- Date: Wed, 5 May 2021 17:52:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:14:08.905505
- Title: PCE-PINNs: Physics-Informed Neural Networks for Uncertainty Propagation
in Ocean Modeling
- Title(参考訳): PCE-PINN:海洋モデルにおける不確実性伝播のための物理インフォームニューラルネットワーク
- Authors: Bj\"orn L\"utjens, Catherine H. Crawford, Mark Veillette, Dava Newman
- Abstract要約: 気候モデルは、摂氏1.5度から5度までの温暖化シナリオの不確実な範囲を2100年まで予測している。
ほとんどの物理ベースの気候モデルは計算上、アンサンブルとして走るには高価すぎる。
物理学によるニューラルネットワーク(PINN)の最近の研究は、深層学習と物理科学を組み合わせて、気候サブモデルの最大15k高速コピーを学習している。
- 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: Climate models project an uncertainty range of possible warming scenarios
from 1.5 to 5 degree Celsius global temperature increase until 2100, according
to the CMIP6 model ensemble. Climate risk management and infrastructure
adaptation requires the accurate quantification of the uncertainties at the
local level. Ensembles of high-resolution climate models could accurately
quantify the uncertainties, but most physics-based climate models are
computationally too expensive to run as ensemble. Recent works in
physics-informed neural networks (PINNs) have combined deep learning and the
physical sciences to learn up to 15k faster copies of climate submodels.
However, the application of PINNs in climate modeling has so far been mostly
limited to deterministic models. We leverage a novel method that combines
polynomial chaos expansion (PCE), a classic technique for uncertainty
propagation, with PINNs. The PCE-PINNs learn a fast surrogate model that is
demonstrated for uncertainty propagation of known parameter uncertainties. We
showcase the effectiveness in ocean modeling by using the local
advection-diffusion equation.
- Abstract(参考訳): cmip6モデルアンサンブルによると、気候モデルは摂氏1.5度から5度までの温暖化シナリオの不確実性範囲を2100まで予測している。
気候リスク管理とインフラ適応は、地域レベルでの不確実性の正確な定量化を必要とする。
高解像度の気候モデルのアンサンブルは、不確実性を正確に定量化することができるが、ほとんどの物理ベースの気候モデルは、アンサンブルとして走るには計算コストがかかりすぎる。
物理情報ニューラルネットワーク(PINN)の最近の研究は、ディープラーニングと物理科学を組み合わせて、気候サブモデルの最大15万倍高速コピーを学習している。
しかし、PINNの気候モデリングへの応用は、これまで決定論的モデルに限られてきた。
我々は,不確実性伝播の古典的手法である多項式カオス展開(PCE)とPINNを組み合わせた新しい手法を利用する。
PCE-PINNは、既知のパラメータの不確かさの不確かさの伝播を示す高速サロゲートモデルを学ぶ。
局所対流拡散方程式を用いて海洋モデルの有効性を示す。
関連論文リスト
- The Importance of Architecture Choice in Deep Learning for Climate
Applications [0.5439020425819]
我々は,ヨーロッパや米国東海岸の気候において重要な気候であるアトランティック・メリディショナル・オーバーターン循環(AMOC)をモデル化する。
任意の時間スケールで任意に極端な気候シナリオを生成し、ニューラルネットワークを使って予測します。
定量化の不確実性により、AMOCの崩壊の臨界点前にある「スパイク」の興味深いパターンは、今世紀中にAMOCの崩壊を予測した以前の分析に疑問を投げかけている。
論文 参考訳(メタデータ) (2024-02-21T18:09:04Z) - Uncertainty Quantification for Forward and Inverse Problems of PDEs via
Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。
本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。
提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文 参考訳(メタデータ) (2024-02-13T11:22:59Z) - Transferring climate change knowledge [0.16531796732452114]
本研究では,地球モデルシミュレーションと過去の観測から得られた知識を最適に活用し,統合するために機械学習が利用できることを示す。
我々は2081-2098年に5-95%の地球表面温度の不確かさ範囲を56%と52%に減らした。
論文 参考訳(メタデータ) (2023-09-26T09:24:53Z) - Dynamical Tests of a Deep-Learning Weather Prediction Model [0.0]
ディープラーニングの天気予報モデルは、運用センターで実行される物理ベースのモデルに匹敵する予測を生成することが示されている。
これらのモデルが大気力学を符号化したのか、あるいは最小の予測誤差を生成する単純なパターンマッチングなのかは不明だ。
ここでは、モデルトレーニングデータに似ていない4つの古典力学実験の集合に、そのようなモデルPangu-weatherを適用する。
本モデルは,すべての実験において現実的な物理を符号化し,高額な物理モデルを使用する前に,アイデアを迅速にテストするためのツールとして使用できることを示唆する。
論文 参考訳(メタデータ) (2023-09-19T18:26:41Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - A Hybrid Deep Neural Operator/Finite Element Method for Ice-Sheet
Modeling [0.0]
我々は,既存の氷床計算モデルをそのコストのごく一部で近似するハイブリッド手法を開発した。
得られたハイブリッドモデルは非常に正確であり、従来の有限要素モデルよりも桁違いに高速であることを示す。
そして、グリーンランドのフンボルト氷河の進化を目標とし、我々のハイブリッドモデルが氷河の質量損失の正確な統計を提供することを示す。
論文 参考訳(メタデータ) (2023-01-26T20:28:34Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - Statistical Downscaling of Temperature Distributions from the Synoptic
Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。
本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。
代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
論文 参考訳(メタデータ) (2020-07-20T06:24:08Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。