論文の概要: Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles

• arxiv url: http://arxiv.org/abs/2302.03258v1
• Date: Tue, 7 Feb 2023 05:09:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 17:28:31.790744
• Title: Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles
• Title（参考訳）: 統計的物理原理に基づくAIモデルによる気候干渉解析
• Authors: Soo Kyung Kim, Kalai Ramea, Salva R\"uhling Cachay, Haruki Hirasawa, Subhashis Hazarika, Dipti Hingmire, Peetak Mitra, Philip J. Rasch, Hansi A. Singh
• Abstract要約: 変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。 利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
• 参考スコア（独自算出の注目度）: 6.824166358727082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The availability of training data remains a significant obstacle for the implementation of machine learning in scientific applications. In particular, estimating how a system might respond to external forcings or perturbations requires specialized labeled data or targeted simulations, which may be computationally intensive to generate at scale. In this study, we propose a novel solution to this challenge by utilizing a principle from statistical physics known as the Fluctuation-Dissipation Theorem (FDT) to discover knowledge using an AI model that can rapidly produce scenarios for different external forcings. By leveraging FDT, we are able to extract information encoded in a large dataset produced by Earth System Models, which includes 8250 years of internal climate fluctuations, to estimate the climate system's response to forcings. Our model, AiBEDO, is capable of capturing the complex, multi-timescale effects of radiation perturbations on global and regional surface climate, allowing for a substantial acceleration of the exploration of the impacts of spatially-heterogenous climate forcers. To demonstrate the utility of AiBEDO, we use the example of a climate intervention technique called Marine Cloud Brightening, with the ultimate goal of optimizing the spatial pattern of cloud brightening to achieve regional climate targets and prevent known climate tipping points. While we showcase the effectiveness of our approach in the context of climate science, it is generally applicable to other scientific disciplines that are limited by the extensive computational demands of domain simulation models. Source code of AiBEDO framework is made available at https://github.com/kramea/kdd_aibedo. A sample dataset is made available at https://doi.org/10.5281/zenodo.7597027. Additional data available upon request.
• Abstract（参考訳）: トレーニングデータの可用性は、科学的応用における機械学習の実装において、依然として大きな障害である。 特に、システムが外部の強制や摂動に対してどのように反応するかを推定するには、特別なラベル付きデータやターゲットのシミュレーションが必要である。 本研究では、変動散逸理論(FDT)と呼ばれる統計物理学の原理を利用して、異なる外部フォースのシナリオを迅速に生成できるAIモデルを用いて知識を発見することにより、この問題に対する新しい解決策を提案する。 FDTを利用することで、地球系モデルが生成する大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができ、空間的にヘテロジニアスな気候力の探索をかなり加速させることができる。 aibedoの有用性を実証するために,海洋雲の輝きと呼ばれる気候介入手法の例を用いて,雲の輝きの空間的パターンを最適化し,地域的気候目標を達成し,既知の気候の凝縮点を防止することを最終目標とする。 気候科学の文脈における我々のアプローチの有効性を示す一方で、ドメインシミュレーションモデルの広範な計算要求によって制限される他の科学分野にも適用可能である。 aibedoフレームワークのソースコードはhttps://github.com/kramea/kdd_aibedoで入手できる。 サンプルデータセットはhttps://doi.org/10.5281/zenodo.7597027で利用可能である。 リクエスト時に利用できる追加データ。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• Towards Causal Representations of Climate Model Data [18.82507552857727]
  この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。 以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
  論文  参考訳（メタデータ） (2023-12-05T16:13:34Z)
• 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)
• 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)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• 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)
• HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
  気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。 コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。 私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
  論文  参考訳（メタデータ） (2020-10-08T15:16:16Z)

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。