論文の概要: Physics-Informed Learning of Aerosol Microphysics
- arxiv url: http://arxiv.org/abs/2207.11786v1
- Date: Sun, 24 Jul 2022 18:26:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:10:23.196053
- Title: Physics-Informed Learning of Aerosol Microphysics
- Title（参考訳）: エアロゾルマイクロ物理の物理インフォームドラーニング
- Authors: Paula Harder, Duncan Watson-Parris, Philip Stier, Dominik Strassel,
Nicolas R. Gauger, 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、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。
- 参考スコア（独自算出の注目度）: 1.8553933848924635
- 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 due to computational constraints. In
order to represent key processes, 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, but high computational costs
make it very expensive to run with finer resolution or for a longer time. We
aim to use machine learning to emulate 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. We are able to learn the variables' tendencies achieving
an average $R^2$ score of $77.1\% $. We further explore methods to inform and
constrain the neural network with physical knowledge to reduce mass violation
and enforce mass positivity. On a GPU we achieve a speed-up of up to over 64x
compared to the original model.
- Abstract（参考訳）: エアロゾル粒子は、放射を吸収・散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
また、気候モデリングの最大の不確実性源の1つでもある。
多くの気候モデルは、計算上の制約のため、エアロゾルを十分に詳細に含まない。
重要な過程を表現するためには、エアロゾルの微物理特性と過程を考慮しなければならない。
これは、M7マイクロ物理を用いたECHAM-HAMグローバル気候エアロゾルモデルで行われているが、計算コストが高いため、より精細な解像度やより長い時間で実行するのは非常に高価である。
機械学習を用いて、マイクロ物理モデルを十分な精度でエミュレートし、推論時に高速で計算コストを削減することを目指している。
オリジナルのM7モデルは、入力出力ペアのデータを生成してニューラルネットワークをトレーニングするために使用される。
変数の傾向を学習することができ、平均的なR^2$スコアは7.1\%$である。
さらに、ニューラルネットワークに物理的知識を付加し、マス違反を減らし、マスポジティビティを強制する手法についても検討する。
GPUでは、元のモデルと比較して64倍以上のスピードアップを実現しています。
関連論文リスト
- Modeling chaotic Lorenz ODE System using Scientific Machine Learning [1.4633779950109127]
本稿では,SciML(SciML)手法を基礎的な気象モデルに統合する。
物理気候モデルの解釈可能性とニューラルネットワークの計算能力を組み合わせることで、SciMLモデルは気候をモデル化するための信頼できるツールであることが証明できる。
論文 参考訳（メタデータ） (2024-10-09T01:17:06Z) - Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。
大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。
本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
論文 参考訳（メタデータ） (2024-08-20T17:33:20Z) - Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。
我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。
PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
論文 参考訳（メタデータ） (2024-07-08T16:38:52Z) - 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) - FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures
Emulation [13.745581787463962]
本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。
本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。
この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
論文 参考訳（メタデータ） (2023-07-14T08:43:36Z) - 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) - 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) - Emulating Aerosol Microphysics with a Machine Learning [1.6311150636417262]
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。
論文 参考訳（メタデータ） (2021-09-22T08:42:19Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳（メタデータ） (2020-11-14T02:03:08Z)
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。