論文の概要: Multi-fidelity climate model parameterization for better generalization
and extrapolation
- arxiv url: http://arxiv.org/abs/2309.10231v1
- Date: Tue, 19 Sep 2023 01:03:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 16:58:14.626077
- Title: Multi-fidelity climate model parameterization for better generalization
and extrapolation
- Title(参考訳): より良い一般化と外挿のための多要素気候モデルパラメータ化
- Authors: Mohamed Aziz Bhouri, Liran Peng, Michael S. Pritchard, Pierre Gentine
- Abstract要約: 我々は、異なる精度と豊富なデータセットを統合するマルチ忠実なアプローチが、両方の世界の長所を提供することを示す。
気候モデリングへの応用において、マルチ忠実度フレームワークは計算資源の大幅な増加を必要とせず、より正確な気候予測をもたらす。
- 参考スコア(独自算出の注目度): 0.3860305383611933
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine-learning-based parameterizations (i.e. representation of sub-grid
processes) of global climate models or turbulent simulations have recently been
proposed as a powerful alternative to physical, but empirical, representations,
offering a lower computational cost and higher accuracy. Yet, those approaches
still suffer from a lack of generalization and extrapolation beyond the
training data, which is however critical to projecting climate change or
unobserved regimes of turbulence. Here we show that a multi-fidelity approach,
which integrates datasets of different accuracy and abundance, can provide the
best of both worlds: the capacity to extrapolate leveraging the
physically-based parameterization and a higher accuracy using the
machine-learning-based parameterizations. In an application to climate
modeling, the multi-fidelity framework yields more accurate climate projections
without requiring major increase in computational resources. Our multi-fidelity
randomized prior networks (MF-RPNs) combine physical parameterization data as
low-fidelity and storm-resolving historical run's data as high-fidelity. To
extrapolate beyond the training data, the MF-RPNs are tested on high-fidelity
warming scenarios, $+4K$, data. We show the MF-RPN's capacity to return much
more skillful predictions compared to either low- or high-fidelity (historical
data) simulations trained only on one regime while providing trustworthy
uncertainty quantification across a wide range of scenarios. Our approach paves
the way for the use of machine-learning based methods that can optimally
leverage historical observations or high-fidelity simulations and extrapolate
to unseen regimes such as climate change.
- Abstract(参考訳): 地球温暖化モデルや乱流シミュレーションの機械学習に基づくパラメータ化(サブグリッドプロセスの表現)は、最近、物理的だが経験的な表現の強力な代替として提案され、計算コストが低く、精度も高い。
しかし、これらのアプローチは依然として、トレーニングデータを超えた一般化と外挿の欠如に苦しんでいる。
ここでは,異なる精度と豊富なデータセットを統合するマルチ忠実性アプローチが,物理的パラメータ化の活用を外挿する能力と,機械学習に基づくパラメータ化による精度の向上という,両世界のベストを提供することができることを示す。
気候モデリングへの応用において、マルチ忠実度フレームワークは計算資源の大幅な増加を必要とせず、より正確な気候予測をもたらす。
我々のMF-RPN(Multi-fidelity randomized prior network)は、物理パラメータ化データを低忠実、ストームリゾルディング履歴データの高忠実化と組み合わせている。
トレーニングデータを超えるために、MF-RPNは4Kドル以上の高密度の温暖化シナリオでテストされる。
我々は、MF-RPNの能力が、複数のシナリオで信頼できる不確実性定量化を提供しながら、1つのシステマでのみ訓練された低・高忠実(歴史データ)シミュレーションと比較して、はるかに高度な予測を返すことを示す。
われわれの手法は、歴史的観測や高忠実度シミュレーションを最適に活用し、気候変動のような目に見えない状況に外挿できる機械学習ベースの手法の活用の道を開くものである。
関連論文リスト
- Multifidelity linear regression for scientific machine learning from
scarce data [0.0]
本稿では,科学機械学習のための多要素学習手法を提案する。
様々な忠実さとコストのデータが利用できる科学的な文脈を利用する。
本研究では,高忠実度データを学習した学習モデルが,高忠実度データのみを学習した標準モデルよりも,高忠実度データを訓練した学習モデルよりも低次モデルの分散を実現することを示す。
論文 参考訳(メタデータ) (2024-03-13T15:40:17Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳(メタデータ) (2023-05-01T20:04:46Z) - Multi-fidelity prediction of fluid flow and temperature field based on
transfer learning using Fourier Neural Operator [10.104417481736833]
本研究では,フーリエニューラル演算子に基づく新しい多要素学習手法を提案する。
トランスファーラーニングパラダイムの下では、豊富な低忠実度データと限られた高忠実度データを使用する。
提案した多忠実度モデルの精度を検証するために,3つの典型的な流体および温度予測問題を選択する。
論文 参考訳(メタデータ) (2023-04-14T07:46:03Z) - 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) - Multi-fidelity surrogate modeling for temperature field prediction using
deep convolution neural network [8.98674326282801]
本稿では,温度場予測のための深層多面体モデル (DMFM) を提案する。
低忠実度データを活用することで、高忠実度データの少ないパフォーマンスを向上する。
物理駆動型深層多面体モデル(PD-DMFM)の自己教師付き学習法を提案する。
論文 参考訳(メタデータ) (2023-01-17T03:13:45Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - 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) - Adaptive Reliability Analysis for Multi-fidelity Models using a
Collective Learning Strategy [6.368679897630892]
本研究は,信頼性解析のための適応多忠実ガウス法(adaptive multi-fidelity Gaussian process for reliability analysis,AMGPRA)という新しい手法を提案する。
提案手法は,最先端の単相・多相の手法と比較して計算コストを削減し,類似あるいは高い精度を実現する。
AMGPRAのキーとなる応用は、複雑で高価な物理ベースの計算モデルを用いた高忠実度不安定性モデリングである。
論文 参考訳(メタデータ) (2021-09-21T14:42:58Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z)
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。