論文の概要: Efficient Climate Simulation via Machine Learning Method

• arxiv url: http://arxiv.org/abs/2209.08151v1
• Date: Mon, 15 Aug 2022 07:47:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 01:22:14.716938
• Title: Efficient Climate Simulation via Machine Learning Method
• Title（参考訳）: 機械学習による効率的な気候シミュレーション
• Authors: Xin Wang, Wei Xue, Yilun Han, Guangwen Yang
• Abstract要約: 我々は,実世界のシナリオ下でのハイブリッドモデリングのためのNeuroClimというフレームワークを開発した。 NeuroClimは、(1)プラットフォーム、(2)データセット、(3)メトリクスの3つの部分から構成される。
• 参考スコア（独自算出の注目度）: 21.894503534237664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid modeling combining data-driven techniques and numerical methods is an emerging and promising research direction for efficient climate simulation. However, previous works lack practical platforms, making developing hybrid modeling a challenging programming problem. Furthermore, the lack of standard data sets and evaluation metrics may hamper researchers from comprehensively comparing various algorithms under a uniform condition. To address these problems, we propose a framework called NeuroClim for hybrid modeling under the real-world scenario, a basic setting to simulate the real climate that we live in. NeuroClim consists of three parts: (1) Platform. We develop a user-friendly platform NeuroGCM for efficiently developing hybrid modeling in climate simulation. (2) Dataset. We provide an open-source dataset for data-driven methods in hybrid modeling. We investigate the characteristics of the data, i.e., heterogeneity and stiffness, which reveals the difficulty of regressing climate simulation data; (3) Metrics. We propose a methodology for quantitatively evaluating hybrid modeling, including the approximation ability of machine learning models and the stability during simulation. We believe that NeuroClim allows researchers to work without high level of climate-related expertise and focus only on machine learning algorithm design, which will accelerate hybrid modeling research in the AI-Climate intersection. The codes and data are released at https://github.com/x-w19/NeuroClim.
• Abstract（参考訳）: データ駆動手法と数値手法を組み合わせたハイブリッドモデリングは、効率的な気候シミュレーションのための新しくて有望な研究方向である。 しかし、以前の作品には実用的なプラットフォームが欠けており、ハイブリッドモデリングの開発は難しいプログラミング問題となっている。 さらに、標準データセットや評価指標の欠如は、研究者が一様条件下で様々なアルゴリズムを包括的に比較することを妨げる可能性がある。 これらの問題に対処するために,我々は,実世界のシナリオに基づくハイブリッドモデリングのためのneuroclimというフレームワークを提案する。 neuroclim は、(1) platform の3つの部分からなる。 気候シミュレーションにおけるハイブリッドモデリングを効率的に行うための,ユーザフレンドリーなプラットフォームneurogcmを開発した。 (2)データセット。 ハイブリッドモデリングにおけるデータ駆動手法のためのオープンソースデータセットを提供する。 本研究では,気候シミュレーションデータの回帰が困難であることを明らかにするデータ,すなわち不均質性と剛性について検討する。 本稿では,機械学習モデルの近似能力やシミュレーション時の安定性など,ハイブリッドモデリングの定量的評価手法を提案する。 NeuroClimは、研究者が高レベルの気候に関する専門知識を必要とせず、機械学習アルゴリズムの設計のみに集中できるようにし、AI-Climateの交差点におけるハイブリッドモデリング研究を加速すると考えている。 コードとデータはhttps://github.com/x-w19/NeuroClimで公開されている。

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)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Hybrid data driven/thermal simulation model for comfort assessment [0.3495246564946556]
  本稿では, 実データとシミュレーションデータとのハイブリッド化手法を提案する。 ベンチマーク研究は、異なる機械学習手法を比較するために実現される。
  論文  参考訳（メタデータ） (2023-09-04T17:39:07Z)
• Finding the Perfect Fit: Applying Regression Models to ClimateBench v1.0 [0.0]
  ClimateBenchは、気候データ用に設計された機械学習エミュレータのパフォーマンスを評価するためのベンチマークデータセットである。 本研究は、上記のデータセットを用いて非線形回帰モデルを評価することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-08-23T01:08:01Z)
• 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)
• Fourier Neural Operators for Arbitrary Resolution Climate Data Downscaling [16.890326773246414]
  本稿では,フーリエニューラル演算子に基づくダウンスケーリング手法を提案する。 提案手法は, 最先端の畳み込みモデルおよび生成的対向性ダウンスケーリングモデルより有意に優れていることを示す。 全体として、我々の研究は物理過程のシミュレーションと低解像度出力のギャップを埋める。
  論文  参考訳（メタデータ） (2023-05-23T18:25:08Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
  シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。 シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。 我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
  論文  参考訳（メタデータ） (2021-12-06T18:45:31Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。