論文の概要: Emulating Aerosol Microphysics with a Machine Learning
- arxiv url: http://arxiv.org/abs/2109.10593v1
- Date: Wed, 22 Sep 2021 08:42:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 19:42:20.961972
- Title: Emulating Aerosol Microphysics with a Machine Learning
- Title（参考訳）: 機械学習によるエアロゾルマイクロフィジカルのエミュレート
- Authors: Paula Harder, Duncan Watson-Parris, Dominik Strassel, Nicolas Gauger,
Philip Stier, Janis Keuper
- Abstract要約: エアロゾル粒子は、放射を吸収し、散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
多くの気候モデルはエアロゾルを十分に詳細に含まない。
これは、M7マイクロ物理モデルを用いて、ECHAM-HAMグローバル気候エアロゾルモデルで行われる。
機械学習を用いて、マイクロ物理モデルを十分な精度で近似し、推論時に高速に計算コストを削減することを目的としている。
- 参考スコア（独自算出の注目度）: 1.6311150636417262
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aerosol particles play an important role in the climate system by absorbing
and scattering radiation and influencing cloud properties. They are also one of
the biggest sources of uncertainty for climate modeling. Many climate models do
not include aerosols in sufficient detail. In order to achieve higher accuracy,
aerosol microphysical properties and processes have to be accounted for. This
is done in the ECHAM-HAM global climate aerosol model using the M7 microphysics
model, but increased computational costs make it very expensive to run at
higher resolutions or for a longer time. We aim to use machine learning to
approximate the microphysics model at sufficient accuracy and reduce the
computational cost by being fast at inference time. The original M7 model is
used to generate data of input-output pairs to train a neural network on it. By
using a special logarithmic transform we are able to learn the variables
tendencies achieving an average $R^2$ score of $89\%$. On a GPU we achieve a
speed-up of 120 compared to the original model.
- Abstract（参考訳）: エアロゾル粒子は、放射を吸収・散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
また、気候モデリングの最大の不確実性源の1つでもある。
多くの気候モデルはエアロゾルを十分に詳細に含まない。
高精度を達成するためには、エアロゾルの微細物性とプロセスを考慮する必要がある。
これは、M7マイクロ物理モデルを用いて、ECHAM-HAMグローバルな気候エアロゾルモデルで行われているが、計算コストの増大により、高解像度またはより長い時間で実行するのに非常にコストがかかる。
機械学習を用いて、マイクロ物理モデルを十分な精度で近似し、推論時に高速に計算コストを削減することを目指している。
オリジナルのM7モデルは、入力出力ペアのデータを生成してニューラルネットワークをトレーニングするために使用される。
特殊対数変換を使用することで、平均的なR^2$スコアが89\%$となる変数の傾向を学習することができる。
GPUでは、元のモデルと比較して120のスピードアップを実現しています。
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) - Self Supervised Vision for Climate Downscaling [16.407155686685666]
将来の気候変動研究の予測は、地球の気候システムをシミュレートするコンピュータモデルであるアース・システム・モデル(Earth System Models, ESMs)に基づいている。
ESMは様々な物理システムを統合するためのフレームワークを提供するが、その出力は高解像度シミュレーションの実行とアーカイブに必要な膨大な計算資源に縛られている。
本研究では,モデル最適化に高分解能基底真理データを必要としないESMシミュレーションデータをダウンスケールするディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2024-01-09T10:20:49Z) - Expanding Mars Climate Modeling: Interpretable Machine Learning for
Modeling MSL Relative Humidity [0.0]
本稿では,機械学習技術を活用した火星の気候モデリング手法を提案する。
我々の研究は、Gale Craterの相対湿度を正確にモデル化するために設計されたディープニューラルネットワークを提案する。
我々のニューラルネットワークは、いくつかの気象変数を用いて、ガレクレーターの相対湿度を効果的にモデル化できることがわかった。
論文 参考訳（メタデータ） (2023-09-04T08:15:15Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Understanding cirrus clouds using explainable machine learning [6.926011161774023]
円雲は地球の気候の鍵となる変調物質である。
この研究は3年間の衛星データと再分析データを用いて、サイラスドライバと雲の性質の関係を研究する。
論文 参考訳（メタデータ） (2023-05-03T12:50:57Z) - 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) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Physics-Informed Learning of Aerosol Microphysics [1.8553933848924635]
エアロゾル粒子は、放射を吸収し、散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
多くの気候モデルは、計算上の制約のため、エアロゾルを十分に詳細に含まない。
これは、ECHAM-HAMグローバル気候エアロゾルモデルでM7マイクロ物理を用いて行われる。
機械学習を用いて、マイクロ物理モデルを十分な精度でエミュレートし、推論時に高速に計算コストを削減することを目的としている。
論文 参考訳（メタデータ） (2022-07-24T18:26:52Z) - Sparse Distillation: Speeding Up Text Classification by Using Bigger
Models [49.8019791766848]
最先端の変圧器モデルを軽量の学生モデルに拡張することは、推論時の計算コストを削減する効果的な方法である。
本稿では,学生モデルの設計空間における新しい領域を探索することにより,推論速度の限界をさらに推し進めることを目的とする。
実験の結果,RoBERTa-Large教師の授業成績の97%を6つのテキスト分類タスクのコレクションに保持していることがわかった。
論文 参考訳（メタデータ） (2021-10-16T10:04:14Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳（メタデータ） (2020-11-23T20:13:37Z)
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。