論文の概要: ClimART: A Benchmark Dataset for Emulating Atmospheric Radiative
Transfer in Weather and Climate Models
- arxiv url: http://arxiv.org/abs/2111.14671v1
- Date: Mon, 29 Nov 2021 16:32:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 21:00:39.508849
- Title: ClimART: A Benchmark Dataset for Emulating Atmospheric Radiative
Transfer in Weather and Climate Models
- Title（参考訳）: ClimART:気象・気候モデルにおける大気放射移動のシミュレーションのためのベンチマークデータセット
- Authors: Salva R\"uhling Cachay, Venkatesh Ramesh, Jason N. S. Cole, Howard
Barker, David Rolnick
- Abstract要約: 我々はClimARTという大規模なデータセットを構築し、現在の、工業以前の、将来の気候条件から、カナダ地球系モデルに基づいて、Emph10万以上のサンプルを収集した。
ClimARTは、複数のアウト・オブ・ディストリビューションテストセット、基礎となるドメイン物理学、精度と推論速度のトレードオフなど、MLコミュニティにいくつかの方法論上の課題を提起している。
また、以前の作業で使用されるデータセットとネットワークアーキテクチャの欠点を示す新しいベースラインをいくつか提示する。
- 参考スコア（独自算出の注目度）: 13.514499533538789
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerical simulations of Earth's weather and climate require substantial
amounts of computation. This has led to a growing interest in replacing
subroutines that explicitly compute physical processes with approximate machine
learning (ML) methods that are fast at inference time. Within weather and
climate models, atmospheric radiative transfer (RT) calculations are especially
expensive. This has made them a popular target for neural network-based
emulators. However, prior work is hard to compare due to the lack of a
comprehensive dataset and standardized best practices for ML benchmarking. To
fill this gap, we build a large dataset, ClimART, with more than \emph{10
million samples from present, pre-industrial, and future climate conditions},
based on the Canadian Earth System Model. ClimART poses several methodological
challenges for the ML community, such as multiple out-of-distribution test
sets, underlying domain physics, and a trade-off between accuracy and inference
speed. We also present several novel baselines that indicate shortcomings of
datasets and network architectures used in prior work. Download instructions,
baselines, and code are available at: https://github.com/RolnickLab/climart
- Abstract（参考訳）: 地球の気象と気候の数値シミュレーションは、かなりの量の計算を必要とする。
これにより、物理プロセスを明確に計算するサブルーチンを推論時に高速な近似機械学習(ML)メソッドに置き換えることへの関心が高まっている。
気象モデルや気候モデルでは、大気放射移動(RT)計算が特に高価である。
これにより、ニューラルネットワークベースのエミュレータのターゲットとして人気がある。
しかし、MLベンチマークのための包括的なデータセットと標準化されたベストプラクティスがないため、事前の作業を比較するのは難しい。
このギャップを埋めるために、カナダ地球システムモデルに基づいて、現在の、工業以前の、そして将来の気候条件から得られた1000万以上のサンプルを用いて、大規模なデータセットであるClimARTを構築しました。
ClimARTは、複数の配布外テストセット、基礎となるドメイン物理学、精度と推論速度のトレードオフなど、MLコミュニティにいくつかの方法論上の課題を提起している。
また,先行作業で使用されるデータセットやネットワークアーキテクチャの欠点を示す,新たなベースラインをいくつか提示する。
ダウンロード手順、ベースライン、コードは、https://github.com/RolnickLab/climart.comで入手できる。
関連論文リスト
- The impact of internal variability on benchmarking deep learning climate emulators [2.3342885570554652]
完全複雑地球系モデル(ESM)は計算に非常に高価であり、複数の放出経路の気候結果の探索に使用を制限している。
ESMを近似するより効率的なエミュレータは、放射を気候データセットに直接マッピングすることができる。
我々は、データ駆動型気候エミュレーションの一般的なベンチマークであるClimateBenchを調査し、ディープラーニングベースのエミュレータが現在、最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-08-09T18:17:17Z) - NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳（メタデータ） (2023-06-22T14:07:54Z) - ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。
データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。
MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
論文 参考訳（メタデータ） (2023-06-14T21:26:31Z) - 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) - Semantic Segmentation under Adverse Conditions: A Weather and
Nighttime-aware Synthetic Data-based Approach [6.482184764321084]
最近のセマンティックセグメンテーションモデルは、標準的な気象条件下では良好に機能するが、悪天候条件や夜間ではうまく機能しない。
本稿では,ドメイン適応のための合成トレーニングデータを用いた新しいアーキテクチャを提案する。
我々は、マルチタスク学習で訓練された天気と日々の監督者を利用して、DeepLabV3+にシンプルながら強力な追加を提案する。
論文 参考訳（メタデータ） (2022-10-11T17:14:22Z) - 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) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳（メタデータ） (2020-08-16T11:36:11Z) - WeatherBench: A benchmark dataset for data-driven weather forecasting [17.76377510880905]
データ駆動型中距離天気予報のためのベンチマークデータセットを提案する。
機械学習モデルでの使用を容易にするために処理されたERA5アーカイブから得られたデータを提供する。
単純な線形回帰手法、ディープラーニングモデル、および純粋に物理的な予測モデルからベースラインスコアを提供する。
論文 参考訳（メタデータ） (2020-02-02T19:20:46Z)
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。