Fugu-MT 論文翻訳(概要): Stochastic Parameterization of Column Physics using Generative Adversarial Networks

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

Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
論文参考訳（メタデータ） (2024-10-15T19:05:28Z)
Prithvi WxC: Foundation Model for Weather and Climate [2.9230020115516253]
Prithvi WxCは、Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)から160変数を用いて開発された23億のパラメータ基盤モデルである。このモデルは、異なる位相の気象現象を微細な解像度でモデル化するために、大きなトークン数に対応できるように設計されている。本稿では, 自動回帰ロールアウト予測, ダウンスケーリング, 重力波フラックスパラメータ化, エクストリームイベント推定など, 課題のある下流タスクのセットでモデルを検証する。
論文参考訳（メタデータ） (2024-09-20T15:53:17Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
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)
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。