論文の概要: SuperdropNet: a Stable and Accurate Machine Learning Proxy for
Droplet-based Cloud Microphysics
- arxiv url: http://arxiv.org/abs/2402.18354v1
- Date: Wed, 28 Feb 2024 14:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-04 13:32:38.100500
- Title: SuperdropNet: a Stable and Accurate Machine Learning Proxy for
Droplet-based Cloud Microphysics
- Title（参考訳）: SuperdropNet: ドロップレットベースのクラウドマイクロ物理のための安定的で正確な機械学習プロキシ
- Authors: Shivani Sharma and David Greenberg
- Abstract要約: 雲の微小物理学は気候や気象現象に重要な影響をもたらす。
大気モデルでは嵐や雲の解消がますます進んでいるが、基礎となる微小物理学の精度は依然として限られている。
SuperdropNetは、MLベースのラグランジアンスーパードロップレットシミュレーションエミュレータである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cloud microphysics has important consequences for climate and weather
phenomena, and inaccurate representations can limit forecast accuracy. While
atmospheric models increasingly resolve storms and clouds, the accuracy of the
underlying microphysics remains limited by computationally expedient bulk
moment schemes based on simplifying assumptions. Droplet-based Lagrangian
schemes are more accurate but are underutilized due to their large
computational overhead. Machine learning (ML) based schemes can bridge this gap
by learning from vast droplet-based simulation datasets, but have so far
struggled to match the accuracy and stability of bulk moment schemes. To
address this challenge, we developed SuperdropNet, an ML-based emulator of the
Lagrangian superdroplet simulations. To improve accuracy and stability, we
employ multi-step autoregressive prediction during training, impose physical
constraints, and carefully control stochasticity in the training data.
Superdropnet predicted hydrometeor states and cloud-to-rain transition times
more accurately than previous ML emulators, and matched or outperformed bulk
moment schemes in many cases. We further carried out detailed analyses to
reveal how multistep autoregressive training improves performance, and how the
performance of SuperdropNet and other microphysical schemes hydrometeors' mass,
number and size distribution. Together our results suggest that ML models can
effectively emulate cloud microphysics, in a manner consistent with
droplet-based simulations.
- Abstract（参考訳）: 雲のマイクロフィジカルは気候や気象現象に重要な影響をもたらし、不正確な表現は予測精度を制限できる。
大気モデルによって嵐や雲が徐々に解消される一方で、基礎となるマイクロフィジカルの精度は、仮定の単純化に基づく計算効率の高いバルクモーメントスキームによって制限されている。
液滴ベースのラグランジアンスキームはより正確であるが、計算のオーバーヘッドが大きいため使用できない。
機械学習(ml)ベースのスキームは、巨大な液滴ベースのシミュレーションデータセットから学習することで、このギャップを埋めることができるが、バルクモーメントスキームの精度と安定性に合わせるのにこれまで苦労してきた。
この課題に対処するため、我々はラグランジアンスーパードロップレットシミュレーションのMLベースのエミュレータであるSuperdropNetを開発した。
精度と安定性を向上させるため,訓練中の多段階自己回帰予測を行い,身体的制約を課し,訓練データの確率性を慎重に制御する。
Superdropnetは、従来のMLエミュレータよりも、ハイドロメテア状態とクラウド間遷移の時間を正確に予測し、多くの場合、バルクモーメントスキームと一致または性能が良くなった。
さらに,多段階自己回帰訓練による性能向上,およびスーパードロップネットおよび他のマイクロフィジカルスキームであるハイドロメテクターの性能,数,サイズ分布について詳細な解析を行った。
その結果,MLモデルは液滴シミュレーションと整合して,効果的に雲のマイクロ物理をエミュレートできることが示唆された。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
排水処理データのトレーニングモデルを改善するための2つの手法を実装した。
実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
論文 参考訳（メタデータ） (2024-03-22T10:20:09Z) - Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning
for Enhancing Forecasting Accuracy [0.7149367973754319]
LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。
本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
論文 参考訳（メタデータ） (2024-03-07T13:19:38Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - Towards replacing precipitation ensemble predictions systems using
machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文 参考訳（メタデータ） (2023-04-20T12:20:35Z) - Grounding Graph Network Simulators using Physical Sensor Observations [12.017054986629846]
実世界観測において,センサ情報を地上グラフネットワークシミュレータに統合する。
点クラウドデータを用いて変形可能なオブジェクトのメッシュ状態を予測する。
論文 参考訳（メタデータ） (2023-02-23T09:06:42Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳（メタデータ） (2020-08-20T17:27:59Z)
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。