論文の概要: Stochastic Parameterization of Column Physics using Generative
Adversarial Networks
- arxiv url: http://arxiv.org/abs/2211.16654v1
- Date: Wed, 30 Nov 2022 00:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 18:08:51.230561
- Title: Stochastic Parameterization of Column Physics using Generative
Adversarial Networks
- Title(参考訳): 生成逆ネットワークを用いたカラム物理の確率的パラメータ化
- Authors: B.T. Nadiga and X. Sun and C. Nash
- Abstract要約: 本研究では,大気中の柱物理のパラメータ化を開発するための確率論的機械学習手法を実証する。
本研究では, 温度と湿度の鉛直分布を条件としたダイアバティックソースの鉛直分布の確率分布を, 生成逆ネットワークを用いて学習する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We demonstrate the use of a probabilistic machine learning technique to
develop stochastic parameterizations of atmospheric column-physics. After
suitable preprocessing of NASA's Modern-Era Retrospective analysis for Research
and Applications, version 2 (MERRA2) data to minimize the effects of
high-frequency, high-wavenumber component of MERRA2 estimate of vertical
velocity, we use generative adversarial networks to learn the probability
distribution of vertical profiles of diabatic sources conditioned on vertical
profiles of temperature and humidity. This may be viewed as an improvement over
previous similar but deterministic approaches that seek to alleviate both,
shortcomings of human-designed physics parameterizations, and the computational
demand of the "physics" step in climate models.
- Abstract(参考訳): 本研究では,確率的機械学習手法を用いて,大気コラム物理学の確率的パラメータ化を展開する。
nasaの最新の研究・応用のための振り返り分析、merra2(英語版)データを用いて、merra2の高周波・高波数成分の鉛直速度の推定を最小化した後、温度と湿度の垂直プロファイルに基づく断熱源の垂直プロファイルの確率分布を生成型逆ネットワークを用いて学習した。
これは、人間の設計した物理パラメータ化の欠点と、気候モデルにおける「物理」ステップの計算需要の両方を緩和しようとする、以前の類似しているが決定論的アプローチに対する改善と見なすことができる。
関連論文リスト
- Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Physics-constrained deep learning postprocessing of temperature and
humidity [0.0]
深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。
熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
論文 参考訳(メタデータ) (2022-12-07T09:31:25Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Deep learning for spatio-temporal forecasting -- application to solar
energy [12.5097469793837]
この論文は、深い学習を伴う原則付き時間予測の主題に取り組む。
エレクトロニティ・ド・フランス(EDF)のモチベーション応用は、魚眼画像による短期的な太陽エネルギー予測である。
論文 参考訳(メタデータ) (2022-05-07T06:42:48Z) - Stochastic Parameterizations: Better Modelling of Temporal Correlations
using Probabilistic Machine Learning [1.5293427903448025]
確率的フレームワーク内で物理インフォームされたリカレントニューラルネットワークを用いることで,96大気シミュレーションのモデルが競合することを示す。
これは、標準の1次自己回帰スキームと比較して時間的相関をモデル化する能力が優れているためである。
文献から多くの指標を評価するとともに、将来的な気候モデルにおいて、確率論的尺度が統一的な選択である可能性についても論じる。
論文 参考訳(メタデータ) (2022-03-28T14:51:42Z) - 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) - Learning Functional Priors and Posteriors from Data and Physics [3.537267195871802]
我々は、歴史的データを用いて時空の露光を可能にするディープニューラルネットワークに基づく新しいフレームワークを開発した。
物理インフォームド・ジェネレーティブ・アダクティブ・アダクティブ・ネットワーク(PI-GAN)を用いて機能的事前学習を行う。
第2段階では, PI-GANの潜伏空間の後方を推定するために, ハミルトニアンモンテカルロ法(HMC)を用いる。
論文 参考訳(メタデータ) (2021-06-08T03:03:24Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳(メタデータ) (2020-10-09T14:18:31Z) - On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。
実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文 参考訳(メタデータ) (2020-10-06T11:47:20Z)
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。