論文の概要: Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence
- arxiv url: http://arxiv.org/abs/2305.00100v2
- Date: Thu, 21 Sep 2023 19:03:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 19:04:47.216922
- Title: Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence
- Title（参考訳）: 物理乱流リカレントニューラルネットワークエミュレータにおける時空間サブサンプリングの小型化
- Authors: Timothy A. Smith, Stephen G. Penny, Jason A. Platt, Tse-Chun Chen
- Abstract要約: しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The immense computational cost of traditional numerical weather and climate
models has sparked the development of machine learning (ML) based emulators.
Because ML methods benefit from long records of training data, it is common to
use datasets that are temporally subsampled relative to the time steps required
for the numerical integration of differential equations. Here, we investigate
how this often overlooked processing step affects the quality of an emulator's
predictions. We implement two ML architectures from a class of methods called
reservoir computing: (1) a form of Nonlinear Vector Autoregression (NVAR), and
(2) an Echo State Network (ESN). Despite their simplicity, it is well
documented that these architectures excel at predicting low dimensional chaotic
dynamics. We are therefore motivated to test these architectures in an
idealized setting of predicting high dimensional geophysical turbulence as
represented by Surface Quasi-Geostrophic dynamics. In all cases, subsampling
the training data consistently leads to an increased bias at small spatial
scales that resembles numerical diffusion. Interestingly, the NVAR architecture
becomes unstable when the temporal resolution is increased, indicating that the
polynomial based interactions are insufficient at capturing the detailed
nonlinearities of the turbulent flow. The ESN architecture is found to be more
robust, suggesting a benefit to the more expensive but more general structure.
Spectral errors are reduced by including a penalty on the kinetic energy
density spectrum during training, although the subsampling related errors
persist. Future work is warranted to understand how the temporal resolution of
training data affects other ML architectures.
- Abstract（参考訳）: 従来の数値気象モデルや気候モデルの膨大な計算コストが、機械学習(ml)ベースのエミュレータの開発を促した。
ML法はトレーニングデータの長い記録から恩恵を受けるため、微分方程式の数値積分に必要な時間ステップに対して時間的にサブサンプリングされたデータセットを使用することが一般的である。
本稿では,この処理ステップがエミュレータの予測品質に与える影響について検討する。
1)非線形ベクトル自己回帰(NVAR)の形式,(2)エコー状態ネットワーク(ESN)の2種類のMLアーキテクチャを実装した。
単純さにもかかわらず、これらのアーキテクチャが低次元カオスダイナミクスの予測に優れていることはよく記録されている。
したがって我々は、表面準地磁気力学で表される高次元の物理乱流を予測する理想的な設定でこれらのアーキテクチャをテストする動機づけられている。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に似た小さな空間スケールでのバイアスの増加につながる。
興味深いことに、時間分解能が増大するとNVARアーキテクチャは不安定になり、乱流の詳細な非線形性を捉えるには多項式ベースの相互作用が不十分であることを示す。
esnアーキテクチャはより堅牢であることが分かり、より高価ながより一般的な構造の利点を示唆する。
スペクトル誤差は、トレーニング中に運動エネルギー密度スペクトルにペナルティを加えることで減少するが、サブサンプリング関連エラーは持続する。
トレーニングデータの時間的解決が他のmlアーキテクチャに与える影響を理解するためには、今後の作業が不可欠である。
関連論文リスト
- Data Scoping: Effectively Learning the Evolution of Generic Transport PDEs [0.0]
輸送PDEは、質量、運動量、エネルギー保存を記述する時間依存偏微分方程式(PDE)によって制御される。
ディープラーニングアーキテクチャは、これらのPDEのシミュレーションと根本的に相容れない。
本稿では,局所特性を予測するための情報範囲を制限するために,線形時間複雑性を持つ分散データスコーピング手法を提案する。
論文 参考訳（メタデータ） (2024-05-02T14:24:56Z) - Reduced-order modeling of unsteady fluid flow using neural network ensembles [0.0]
本稿では,一般的なアンサンブル学習手法であるバッグングを用いて,完全なデータ駆動型リダクションモデルフレームワークを開発することを提案する。
このフレームワークはCAEを用いて全階モデルとLSTMアンサンブルの空間的再構成を行い、時系列予測を行う。
その結果,提案フレームワークはエラーの伝播を効果的に低減し,未確認点における潜伏変数の時系列予測をより正確に行うことができることがわかった。
論文 参考訳（メタデータ） (2024-02-08T03:02:59Z) - 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 predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Deep Surrogate for Direct Time Fluid Dynamics [44.62475518267084]
グラフニューラルネットワーク(GNN)は、CFDシミュレーションで一般的に使用される不規則メッシュの特異性に対処することができる。
我々は、不規則メッシュのための新しい直接時間GNNアーキテクチャを設計するために、現在進行中の作業を示す。
論文 参考訳（メタデータ） (2021-12-16T10:08:20Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳（メタデータ） (2021-12-07T03:33:39Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳（メタデータ） (2021-01-27T11:27:16Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。