論文の概要: Extreme Event Prediction with Multi-agent Reinforcement Learning-based
Parametrization of Atmospheric and Oceanic Turbulence
- arxiv url: http://arxiv.org/abs/2312.00907v1
- Date: Fri, 1 Dec 2023 20:12:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 20:16:07.258936
- Title: Extreme Event Prediction with Multi-agent Reinforcement Learning-based
Parametrization of Atmospheric and Oceanic Turbulence
- Title（参考訳）: マルチエージェント強化学習に基づく大気・海洋乱流のパラメトリゼーションによる極端事象予測
- Authors: Rambod Mojgani and Daniel Waelchli and Yifei Guan and Petros
Koumoutsakos and Pedram Hassanzadeh
- Abstract要約: 計算要素は離散化点と学習エージェントの二重の役割を担う。
SMARLと乱流物理の基礎を利用して大気および海洋乱流のプロトタイプの閉ざしを学習する。
これらの閉包は, 高忠実度シミュレーションの統計を再現できるような, 安定した低分解能シミュレーションに繋がることを示す。
- 参考スコア（独自算出の注目度）: 2.56061946132533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global climate models (GCMs) are the main tools for understanding and
predicting climate change. However, due to limited numerical resolutions, these
models suffer from major structural uncertainties; e.g., they cannot resolve
critical processes such as small-scale eddies in atmospheric and oceanic
turbulence. Thus, such small-scale processes have to be represented as a
function of the resolved scales via closures (parametrization). The accuracy of
these closures is particularly important for capturing climate extremes.
Traditionally, such closures are based on heuristics and simplifying
assumptions about the unresolved physics. Recently, supervised-learned
closures, trained offline on high-fidelity data, have been shown to outperform
the classical physics-based closures. However, this approach requires a
significant amount of high-fidelity training data and can also lead to
instabilities. Reinforcement learning is emerging as a potent alternative for
developing such closures as it requires only low-order statistics and leads to
stable closures. In Scientific Multi-Agent Reinforcement Learning (SMARL)
computational elements serve a dual role of discretization points and learning
agents. We leverage SMARL and fundamentals of turbulence physics to learn
closures for prototypes of atmospheric and oceanic turbulence. The policy is
trained using only the enstrophy spectrum, which is nearly invariant and can be
estimated from a few high-fidelity samples (these few samples are far from
enough for supervised/offline learning). We show that these closures lead to
stable low-resolution simulations that, at a fraction of the cost, can
reproduce the high-fidelity simulations' statistics, including the tails of the
probability density functions. The results demonstrate the high potential of
SMARL for closure modeling for GCMs, especially in the regime of scarce data
and indirect observations.
- Abstract（参考訳）: 地球温暖化モデル(GCM)は、気候変動を理解し予測するための主要なツールである。
しかし、数値分解能が限られているため、これらのモデルは大きな構造的不確実性に苦しめられ、例えば、大気や海洋の乱流の小さな渦のような臨界過程を解決できない。
したがって、そのような小さなプロセスは閉包(パラメトリゼーション)を介して解決されたスケールの関数として表さなければならない。
これらの閉鎖の正確さは、特に気候の極端を捉えるために重要である。
伝統的に、そのような閉包はヒューリスティックスに基づいており、未解決の物理学に関する仮定を単純化している。
近年,高忠実度データに基づいてオフラインでトレーニングされた教師付き閉包が,古典物理学に基づく閉包よりも優れていることが示されている。
しかし、このアプローチにはかなりの量の高忠実度トレーニングデータが必要であり、不安定にもつながりうる。
強化学習は、低次統計のみを必要とし、安定したクロージャにつながるため、そのようなクロージャを開発するための強力な代替手段として浮上している。
SMARL(Scientific Multi-Agent Reinforcement Learning)の計算要素は、離散化ポイントと学習エージェントの二重の役割を担う。
SMARLと乱流物理の基礎を利用して大気および海洋乱流のプロトタイプの閉ざしを学習する。
この方針は、ほとんど不変であり、少数の高忠実度サンプルから推定できるエントロフィスペクトルのみを用いて訓練される(これらの数少ないサンプルは教師付き/オフライン学習には程遠い)。
これらの閉包は, 確率密度関数のテールを含む高忠実度シミュレーションの統計を, ほんの少しのコストで再現できるような, 安定な低分解能シミュレーションをもたらすことを示す。
これらの結果から, GCMの閉鎖モデルにおけるSMARLの可能性が示唆された。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Multi-fidelity climate model parameterization for better generalization
and extrapolation [0.3860305383611933]
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。
論文 参考訳（メタデータ） (2023-09-19T01:03:39Z) - To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。
本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。
第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文 参考訳（メタデータ） (2023-05-22T17:02:15Z) - Mixed Precision Quantization to Tackle Gradient Leakage Attacks in
Federated Learning [1.7205106391379026]
フェデレートラーニング(FL)は、明示的なデータ共有を必要とせずに、多数の参加者の間で協調的なモデル構築を可能にする。
このアプローチは、プライバシ推論攻撃を適用した際の脆弱性を示す。
特に、モデル勾配からセンシティブなデータを取得する上で高い成功率を持つ勾配リーク攻撃の場合、FLモデルは、その固有のアーキテクチャにおける通信の存在により、高いリスクを負う。
論文 参考訳（メタデータ） (2022-10-22T04:24:32Z) - Catch-22s of reservoir computing [0.0]
Reservoir Computingは、データから非線形力学系の挙動を予測するための、シンプルで効率的なフレームワークである。
我々は,システムの初期状態からどのアトラクタが収束するかを決定する,流域予測の重要な問題に焦点をあてる。
元の方程式に正確な非線形性を組み込むことで、NGRCは複雑で高次元的なアトラクションの流域を正確に再構築できることを示す。
論文 参考訳（メタデータ） (2022-10-18T23:31:15Z) - Variational multiscale reinforcement learning for discovering reduced
order closure models of nonlinear spatiotemporal transport systems [0.0]
閉包モデルは、多くの非線形力学系において、順序表現の減少による損失を考慮に入れるのに一般的である。
本研究では,ガレルキン射影に基づく縮小順序モデルの安定化を目的とした動的閉包モデルと探索フレームワークを提案する。
まず、モード依存クロージャポリシーを発見するためのマルチモーダルRL(MMRL)を提案する。
次に,報奨関数の設計において,高忠実度データへのアクセスを必要とせずに閉包モデルを発見するために,変分多スケールRL (VMRL) アプローチを定式化する。
論文 参考訳（メタデータ） (2022-07-07T19:58:47Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z)
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。