論文の概要: ClimateLearn: Benchmarking Machine Learning for Weather and Climate
Modeling
- arxiv url: http://arxiv.org/abs/2307.01909v1
- Date: Tue, 4 Jul 2023 20:36:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 15:51:55.467731
- Title: ClimateLearn: Benchmarking Machine Learning for Weather and Climate
Modeling
- Title（参考訳）: climatelearn: 気象と気候モデリングのためのベンチマーク機械学習
- Authors: Tung Nguyen, Jason Jewik, Hritik Bansal, Prakhar Sharma, Aditya Grover
- Abstract要約: ClimateLearnは、データ駆動型気候科学のための機械学習モデルのトレーニングと評価を大幅に単純化する、オープンソースのライブラリである。
これは、現代の機械学習システムによる気象と気候モデリングの研究をブリッジする、最初の大規模かつオープンソースな取り組みである。
- 参考スコア（独自算出の注目度）: 20.63843548201849
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling weather and climate is an essential endeavor to understand the near-
and long-term impacts of climate change, as well as inform technology and
policymaking for adaptation and mitigation efforts. In recent years, there has
been a surging interest in applying data-driven methods based on machine
learning for solving core problems such as weather forecasting and climate
downscaling. Despite promising results, much of this progress has been impaired
due to the lack of large-scale, open-source efforts for reproducibility,
resulting in the use of inconsistent or underspecified datasets, training
setups, and evaluations by both domain scientists and artificial intelligence
researchers. We introduce ClimateLearn, an open-source PyTorch library that
vastly simplifies the training and evaluation of machine learning models for
data-driven climate science. ClimateLearn consists of holistic pipelines for
dataset processing (e.g., ERA5, CMIP6, PRISM), implementation of
state-of-the-art deep learning models (e.g., Transformers, ResNets), and
quantitative and qualitative evaluation for standard weather and climate
modeling tasks. We supplement these functionalities with extensive
documentation, contribution guides, and quickstart tutorials to expand access
and promote community growth. We have also performed comprehensive forecasting
and downscaling experiments to showcase the capabilities and key features of
our library. To our knowledge, ClimateLearn is the first large-scale,
open-source effort for bridging research in weather and climate modeling with
modern machine learning systems. Our library is available publicly at
https://github.com/aditya-grover/climate-learn.
- Abstract（参考訳）: 気象と気候のモデリングは、気候変動の短期的および長期的影響を理解するための重要な取り組みであり、適応と緩和のための技術と政策作成を通知する。
近年,気象予報や気候下降といった中核的な問題を解決するため,機械学習に基づくデータ駆動手法の適用への関心が高まっている。
有望な結果にもかかわらず、この進歩の多くは、再現性のための大規模でオープンソースな取り組みの欠如により、一貫性のないデータセットや不特定なデータセット、トレーニングのセットアップ、ドメイン科学者と人工知能研究者による評価によって損なわれている。
このライブラリは、データ駆動型気候科学のための機械学習モデルのトレーニングと評価を大幅に単純化する。
climatelearnはデータセット処理のための総合的なパイプライン(例: era5、cmip6、prism)、最先端のディープラーニングモデル(例:transformers、resnets)の実装、標準の気象・気候モデリングタスクの量的・質的評価からなる。
これらの機能には、広範なドキュメント、コントリビューションガイド、クイックスタートチュートリアルを加えて、アクセスの拡大とコミュニティの成長を促進する。
ライブラリの機能と重要な機能を紹介するため、包括的な予測およびダウンスケーリング実験も行いました。
私たちの知る限り、climatelearnは、現代の機械学習システムによる気象と気候モデリングの研究を橋渡しするための、最初の大規模でオープンソースの取り組みです。
私たちのライブラリはhttps://github.com/aditya-grover/climate-learn.comで公開されている。
関連論文リスト
- Evaluating the transferability potential of deep learning models for climate downscaling [16.30722178785489]
複数の気候データセットを用いた深層学習ダウンスケーリングモデルのトレーニングの有効性を評価し,より堅牢で伝達可能な表現を学習する。
ダウンスケーリングモデルの空間的, 変動的, 製品移動可能性について実験的に評価し, これらの異なるアーキテクチャの一般化可能性について考察する。
論文 参考訳（メタデータ） (2024-07-17T12:10:24Z) - Aurora: A Foundation Model of the Atmosphere [56.97266186291677]
我々はAuroraを紹介します。Auroraは、100万時間以上の多様な気象および気候データに基づいてトレーニングされた大気の大規模な基礎モデルです。
オーロラは1分以内に5日間の大気汚染予測と10日間の高解像度気象予測を生み出している。
論文 参考訳（メタデータ） (2024-05-20T14:45:18Z) - Arabic Mini-ClimateGPT : A Climate Change and Sustainability Tailored
Arabic LLM [77.17254959695218]
ChatGPTやBardのような大規模言語モデル(LLM)は、優れた会話能力を示し、幅広いNLPタスクに優れています。
我々は,オープンソースのLLM上に構築され,アラビア語データセットClima500-Instructの対話型命令チューニングに特化して微調整された軽量のアラビア語ミニクリメートGPTを提案する。
本モデルは,ChatGPTによる評価において,88.3%の症例において,ベースラインLLMを上回った。
論文 参考訳（メタデータ） (2023-12-14T22:04:07Z) - Foundation Models for Weather and Climate Data Understanding: A
Comprehensive Survey [39.08108001903514]
私たちは、気象や気候データのために特別に設計された最先端のAI方法論を、徹底的に、タイムリーに概説しています。
主な対象は、気象・気候データの種類、主モデル、モデルスコープと応用、気象・気候のデータセットの4つである。
論文 参考訳（メタデータ） (2023-12-05T01:10:54Z) - ClimateSet: A Large-Scale Climate Model Dataset for Machine Learning [26.151056828513962]
気候モデルは、気候変動の影響を評価し、将来の気候シナリオをシミュレートするための鍵となっている。
機械学習(ML)コミュニティは、気候モデルエミュレーション、ダウンスケーリング、予測タスクといった様々なタスクにおける気候科学者の取り組みを支援することへの関心が高まっている。
ここでは、入力4MIPとCMIP6アーカイブから36の気候モデルの入力と出力を含むデータセットであるClimateSetを紹介する。
論文 参考訳（メタデータ） (2023-11-07T04:55:36Z) - 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) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Climate-Invariant Machine Learning [0.8831201550856289]
現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。
最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。
我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-14T07:02:57Z)
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。