論文の概要: Learning bias corrections for climate models using deep neural operators
- arxiv url: http://arxiv.org/abs/2302.03173v1
- Date: Tue, 7 Feb 2023 00:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 17:54:50.079621
- Title: Learning bias corrections for climate models using deep neural operators
- Title（参考訳）: 深層ニューラル演算子を用いた気候モデルの学習バイアス補正
- Authors: Aniruddha Bora, Khemraj Shukla, Shixuan Zhang, Bryce Harrop, Ruby
Leung, George Em Karniadakis
- Abstract要約: 我々は、Deep Operator Network(DeepONet)に基づく代理モデルにバイアス補正処理を置き換える。
The accuracy of the DeepONet model were test against the nudging tend from the E3SMv2 model。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerical simulation for climate modeling resolving all important scales is a
computationally taxing process. Therefore, to circumvent this issue a low
resolution simulation is performed, which is subsequently corrected for bias
using reanalyzed data (ERA5), known as nudging correction. The existing
implementation for nudging correction uses a relaxation based method for the
algebraic difference between low resolution and ERA5 data. In this study, we
replace the bias correction process with a surrogate model based on the Deep
Operator Network (DeepONet). DeepONet (Deep Operator Neural Network) learns the
mapping from the state before nudging (a functional) to the nudging tendency
(another functional). The nudging tendency is a very high dimensional data
albeit having many low energy modes. Therefore, the DeepoNet is combined with a
convolution based auto-encoder-decoder (AED) architecture in order to learn the
nudging tendency in a lower dimensional latent space efficiently. The accuracy
of the DeepONet model is tested against the nudging tendency obtained from the
E3SMv2 (Energy Exascale Earth System Model) and shows good agreement. The
overarching goal of this work is to deploy the DeepONet model in an online
setting and replace the nudging module in the E3SM loop for better efficiency
and accuracy.
- Abstract（参考訳）: すべての重要なスケールを解決する気候モデリングの数値シミュレーションは、計算課税のプロセスである。
そのため、この問題を回避するために低分解能シミュレーションを行い、その後、再解析データ(era5)を用いてバイアスを補正する。
既存のnudging correctionの実装では、低解像度データとera5データとの代数的差分の緩和に基づく方法を採用している。
本研究では,DeepONet(DeepOperator Network)に基づく代理モデルを用いてバイアス補正を行う。
DeepONet(Deep Operator Neural Network)は、ヌード前(関数)からヌード前(別の関数)までのマッピングを学習する。
ヌーディング傾向は低エネルギーモードが多いにもかかわらず非常に高次元のデータである。
したがって、DeepoNetは畳み込みに基づく自動エンコーダデコーダ(AED)アーキテクチャと組み合わせて、低次元潜在空間におけるヌード傾向を効率的に学習する。
また,e3smv2 (energy exascale earth system model) から得られたナジング傾向に対して,deeponetモデルの精度を検証し,良好な一致を示した。
この作業の包括的な目標は、オンライン設定でDeepONetモデルをデプロイし、E3SMループのヌーディングモジュールを置き換えることで、効率と正確性を向上させることである。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - A non-intrusive machine learning framework for debiasing long-time
coarse resolution climate simulations and quantifying rare events statistics [0.0]
粗いモデルは、無視された「サブグリッド」スケールのために固有のバイアスに悩まされる。
ニューラルネット(NN)補正演算子を用いて,非侵襲的に粗大分解能気候予測を行うフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-28T17:06:19Z) - Inferring Data Preconditions from Deep Learning Models for Trustworthy
Prediction in Deployment [25.527665632625627]
デプロイ中に見つからないデータを使って、モデルの予測の信頼性を判断することが重要です。
従来のソフトウェアを特定し検証する既存の方法は、このタスクには不十分である。
本稿では、ニューラルネットワーク計算から導出されるルールを用いて、データ前提条件を推論する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-26T03:47:18Z) - Adaptive operator learning for infinite-dimensional Bayesian inverse problems [7.716833952167609]
本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。
UKIフレームワークを用いて線形の場合において厳密な収束を保証する。
その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
論文 参考訳（メタデータ） (2023-10-27T01:50:33Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural
Networks [8.736819316856748]
本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。
曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。
また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
論文 参考訳（メタデータ） (2023-08-14T14:39:13Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - A DeepONet multi-fidelity approach for residual learning in reduced
order modeling [0.0]
本稿では,多面的視点とDeepONetsを利用して,縮小順序モデルの精度を高める新しい手法を提案する。
モデル削減を機械学習残差学習と組み合わせて、上記の誤りをニューラルネットワークで学習し、新しい予測のために推論することを提案する。
論文 参考訳（メタデータ） (2023-02-24T15:15:07Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。