論文の概要: Differentiable Programming for Earth System Modeling
- arxiv url: http://arxiv.org/abs/2208.13825v1
- Date: Mon, 29 Aug 2022 18:32:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:31:58.924201
- Title: Differentiable Programming for Earth System Modeling
- Title(参考訳): 地球系モデリングのための微分プログラミング
- Authors: Maximilian Gelbrecht and Alistair White and Sebastian Bathiany and
Niklas Boers
- Abstract要約: 最先端の地球系モデル(ESMs)は、過去150年間の観測上の地球平均温度異常を再現することができる。
我々は、ESMを自動で差別化することは、ESMを前進させる大きな可能性を秘めていると論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth System Models (ESMs) are the primary tools for investigating future
Earth system states at time scales from decades to centuries, especially in
response to anthropogenic greenhouse gas release. State-of-the-art ESMs can
reproduce the observational global mean temperature anomalies of the last 150
years. Nevertheless, ESMs need further improvements, most importantly regarding
(i) the large spread in their estimates of climate sensitivity, i.e., the
temperature response to increases in atmospheric greenhouse gases, (ii) the
modeled spatial patterns of key variables such as temperature and
precipitation, (iii) their representation of extreme weather events, and (iv)
their representation of multistable Earth system components and their ability
to predict associated abrupt transitions. Here, we argue that making ESMs
automatically differentiable has huge potential to advance ESMs, especially
with respect to these key shortcomings. First, automatic differentiability
would allow objective calibration of ESMs, i.e., the selection of optimal
values with respect to a cost function for a large number of free parameters,
which are currently tuned mostly manually. Second, recent advances in Machine
Learning (ML) and in the amount, accuracy, and resolution of observational data
promise to be helpful with at least some of the above aspects because ML may be
used to incorporate additional information from observations into ESMs.
Automatic differentiability is an essential ingredient in the construction of
such hybrid models, combining process-based ESMs with ML components. We
document recent work showcasing the potential of automatic differentiation for
a new generation of substantially improved, data-informed ESMs.
- Abstract(参考訳): 地球系モデル (Earth System Models, ESMs) は、数十年から数世紀にわたって、特に人為的な温室効果ガスの放出に反応して、将来の地球系の状態を調査するための主要なツールである。
最先端esmは過去150年間の観測平均気温異常を再現することができる。
それでもESMにはさらなる改善が必要だ。
(i)大気中の温室効果ガスの増加に対する温度応答という,気候感受性の推定値の大規模な拡散
(II)温度や降水などの鍵変数のモデル化された空間パターン
(三)極度の気象事象の表現、及び
(iv)それらの多安定地球系成分の表現と、それに伴う急変を予測する能力
ここでは、ESMを自動で差別化できることは、特にこれらの重要な欠点に関して、ESMを前進させる大きな可能性を秘めていると論じる。
第一に、自動微分可能性(automatic differentiability)は、ESMの客観的な校正、すなわち、現在主に手動で調整されている多数の自由パラメータに対するコスト関数に対する最適値の選択を可能にする。
第2に、機械学習(ML)の最近の進歩と観測データの量、正確性、解像度は、観測からESMに付加的な情報を組み込むためにMLが使用されるため、上記の少なくともいくつかの側面に役立つと約束されている。
自動微分は、プロセスベースのESMとMLコンポーネントを組み合わせたハイブリッドモデルの構築において重要な要素である。
我々は、データインフォームドESMを改良した新しい世代の自動微分の可能性を示す最近の研究を報告する。
関連論文リスト
- Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳(メタデータ) (2024-07-23T13:26:05Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習アプローチを開発する。
提案手法は, 最大1時間までの非常に長い信号にスケールし, 次世代地上・宇宙用検出器のデータ解析の青写真として機能する。
論文 参考訳(メタデータ) (2024-07-12T18:00:02Z) - Diffusion-Based Joint Temperature and Precipitation Emulation of Earth System Models [0.724847561444869]
生成確率拡散モデルを用いて地球系モデル(ESM)をエミュレートする以前の研究を拡張した。
以上の結果から, 乾燥した呪文や熱いストリークなど, 各種気候指標におけるESMの出力とよく似た結果が得られた。
論文 参考訳(メタデータ) (2024-04-12T20:13:19Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - Capturing Local Temperature Evolution during Additive Manufacturing
through Fourier Neural Operators [0.0]
本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。
直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。
その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
論文 参考訳(メタデータ) (2023-07-04T16:17:59Z) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳(メタデータ) (2021-11-10T23:26:58Z) - 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) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z) - A Perspective on Gaussian Processes for Earth Observation [23.66931064985429]
空中・衛星リモートセンシングとその場観測による地球観測は、地球をモニタリングする上で重要な役割を担っている。
特に、機械学習とガウス過程(GP)は、生物地球物理変数の推定において際立った結果を得た。
前方および逆モデリングの大幅な進歩にもかかわらず、GPモデルは依然として重要な課題に直面しなければならない。
論文 参考訳(メタデータ) (2020-07-02T16:44:11Z)
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。