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

• Modeling chaotic Lorenz ODE System using Scientific Machine Learning [1.4633779950109127]
  本稿では,SciML(SciML)手法を基礎的な気象モデルに統合する。 物理気候モデルの解釈可能性とニューラルネットワークの計算能力を組み合わせることで、SciMLモデルは気候をモデル化するための信頼できるツールであることが証明できる。
  論文  参考訳（メタデータ） (2024-10-09T01:17:06Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• 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)
• 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)
• 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)
• 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。