論文の概要: Long-term instabilities of deep learning-based digital twins of the
climate system: The cause and a solution
- arxiv url: http://arxiv.org/abs/2304.07029v1
- Date: Fri, 14 Apr 2023 09:49:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 14:07:04.729891
- Title: Long-term instabilities of deep learning-based digital twins of the
climate system: The cause and a solution
- Title(参考訳): 気候システムの深層学習に基づくデジタル双生児の長期不安定性:原因と解決法
- Authors: Ashesh Chattopadhyay and Pedram Hassanzadeh
- Abstract要約: 長期安定は、深層学習に基づくデータ駆動型デジタル双生児にとって重要な特性である。
深層学習に基づく時間積分器における乱流物理と収束の欠如が、このバイアスを増幅し、不安定なエラー伝播をもたらすことを示す。
気候システムのための長期安定なデータ駆動型デジタル双生児を開発し、正確な短期予測を示し、数百年間の長期安定な時間積分と正確な平均と変動性を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term stability is a critical property for deep learning-based
data-driven digital twins of the Earth system. Such data-driven digital twins
enable sub-seasonal and seasonal predictions of extreme environmental events,
probabilistic forecasts, that require a large number of ensemble members, and
computationally tractable high-resolution Earth system models where expensive
components of the models can be replaced with cheaper data-driven surrogates.
Owing to computational cost, physics-based digital twins, though long-term
stable, are intractable for real-time decision-making. Data-driven digital
twins offer a cheaper alternative to them and can provide real-time
predictions. However, such digital twins can only provide short-term forecasts
accurately since they become unstable when time-integrated beyond 20 days.
Currently, the cause of the instabilities is unknown, and the methods that are
used to improve their stability horizons are ad-hoc and lack rigorous theory.
In this paper, we reveal that the universal causal mechanism for these
instabilities in any turbulent flow is due to \textit{spectral bias} wherein,
\textit{any} deep learning architecture is biased to learn only the large-scale
dynamics and ignores the small scales completely. We further elucidate how
turbulence physics and the absence of convergence in deep learning-based
time-integrators amplify this bias leading to unstable error propagation.
Finally, using the quasigeostrophic flow and ECMWF Reanalysis data as test
cases, we bridge the gap between deep learning theory and fundamental numerical
analysis to propose one mitigative solution to such instabilities. We develop
long-term stable data-driven digital twins for the climate system and
demonstrate accurate short-term forecasts, and hundreds of years of long-term
stable time-integration with accurate mean and variability.
- Abstract(参考訳): 長期安定は、深層学習に基づくデータ駆動型デジタル双生児にとって重要な特性である。
このようなデータ駆動型デジタル双生児は、季節的および季節的な極端な環境事象の予測、多数のアンサンブルメンバーを必要とする確率的予測、および高価なモデルの部品を安価なデータ駆動サロゲートに置き換えることができる計算可能な高分解能地球系モデルを可能にする。
計算コストのため、物理学ベースのデジタルツインは長期安定しているが、リアルタイムな意思決定には難解である。
データ駆動デジタル双子は、より安価な代替手段を提供し、リアルタイムの予測を提供する。
しかし、このようなデジタル双生児は20日以上経つと不安定になるため、短期的な予測を精度良く行うことができる。
現在、不安定の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。
本稿では, 乱流におけるこれらの不安定性の普遍的因果メカニズムが, 大規模力学のみを学習し, 小スケールを完全に無視するために, 深層学習アーキテクチャに偏りが生じることを明らかにする。
さらに, 乱流物理学と深層学習に基づく時間積分器の収束の欠如が, このバイアスを増幅し, 不安定な誤差伝播をもたらすことを解明した。
最後に, 準ゲノゾルフローとECMWFリアナリシスデータをテストケースとして, 深層学習理論と基本数値解析のギャップを埋めて, そのような不安定性に対する1つの緩和解を提案する。
気候システムのための長期安定なデータ駆動型デジタルツインを開発し、正確な短期予測を示し、数百年間の長期安定な時間積分と正確な平均と変動性を示す。
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) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Benchmarking Autoregressive Conditional Diffusion Models for Turbulent
Flow Simulation [29.806100463356906]
条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が有効な選択肢であるかどうかを解析する。
本研究は, トレーニング体制を超えた流れパラメータの一般化を必要としながら, 精度, 後方サンプリング, スペクトル挙動, 時間安定性について検討する。
単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
論文 参考訳(メタデータ) (2023-09-04T18:01:42Z) - Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。
予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。
複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
論文 参考訳(メタデータ) (2023-03-18T14:37:37Z) - Probabilistic machine learning based predictive and interpretable
digital twin for dynamical systems [0.0]
ディジタルツインを更新するための2つのアプローチが提案されている。
どちらの場合も、更新されたデジタル双生児の表現は同一である。
提案手法は、ディジタル双対モデルにおける摂動の正確な説明を提供する。
論文 参考訳(メタデータ) (2022-12-19T04:25:59Z) - A Dynamical System View of Langevin-Based Non-Convex Sampling [84.61544861851907]
非サンプリングは機械学習における重要な課題であり、ディープラーニングにおける非レート最適化の中心であり、その重要性を近似する。
既存の保証は通常、より望ましい最終段階の反復よりも平均距離のみを保持する。
我々は、理論システムからいくつかのツールを活用することにより、上記の問題を解消する新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2022-10-25T09:43:36Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Physics-aware, probabilistic model order reduction with guaranteed
stability [0.0]
実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。
粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
論文 参考訳(メタデータ) (2021-01-14T19:16:51Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳(メタデータ) (2020-12-02T21:01:29Z) - Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven
Modeling of Air Pollutants [2.578242050187029]
本研究では,マドリードの大気質を研究するためにデータ駆動技術を用いた実証的アプローチを提案する。
汚染物質の濃度と経時変化をモデル化する常微分方程式の擬似系を見いだす。
以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して, スパーシリティと適合の良さの均衡を見出すことが可能であることが示唆された。
論文 参考訳(メタデータ) (2020-10-13T16:46:07Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z)
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。