論文の概要: A non-intrusive machine learning framework for debiasing long-time
coarse resolution climate simulations and quantifying rare events statistics
- arxiv url: http://arxiv.org/abs/2402.18484v1
- Date: Wed, 28 Feb 2024 17:06:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 14:17:03.860666
- Title: A non-intrusive machine learning framework for debiasing long-time
coarse resolution climate simulations and quantifying rare events statistics
- Title（参考訳）: 長期粗解気候シミュレーションと希少事象統計の定量化のための非侵入機械学習フレームワーク
- Authors: Benedikt Barthel Sorensen, Alexis Charalampopoulos, Shixuan Zhang,
Bryce Harrop, Ruby Leung, Themistoklis Sapsis
- Abstract要約: 粗いモデルは、無視された「サブグリッド」スケールのために固有のバイアスに悩まされる。
ニューラルネット(NN)補正演算子を用いて,非侵襲的に粗大分解能気候予測を行うフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the rapidly changing climate, the frequency and severity of extreme
weather is expected to increase over the coming decades. As fully-resolved
climate simulations remain computationally intractable, policy makers must rely
on coarse-models to quantify risk for extremes. However, coarse models suffer
from inherent bias due to the ignored "sub-grid" scales. We propose a framework
to non-intrusively debias coarse-resolution climate predictions using
neural-network (NN) correction operators. Previous efforts have attempted to
train such operators using loss functions that match statistics. However, this
approach falls short with events that have longer return period than that of
the training data, since the reference statistics have not converged. Here, the
scope is to formulate a learning method that allows for correction of dynamics
and quantification of extreme events with longer return period than the
training data. The key obstacle is the chaotic nature of the underlying
dynamics. To overcome this challenge, we introduce a dynamical systems approach
where the correction operator is trained using reference data and a coarse
model simulation nudged towards that reference. The method is demonstrated on
debiasing an under-resolved quasi-geostrophic model and the Energy Exascale
Earth System Model (E3SM). For the former, our method enables the
quantification of events that have return period two orders longer than the
training data. For the latter, when trained on 8 years of ERA5 data, our
approach is able to correct the coarse E3SM output to closely reflect the
36-year ERA5 statistics for all prognostic variables and significantly reduce
their spatial biases.
- Abstract（参考訳）: 気候が急速に変化するため、今後数十年で極端な天候の頻度と深刻度が増加すると予想されている。
完全に解決された気候シミュレーションは計算的に難解であるため、政策立案者は極度のリスクを定量化するために粗いモデルに頼る必要がある。
しかし、粗いモデルは無視された「サブグリッド」スケールのために固有のバイアスに悩まされる。
ニューラルネット(NN)補正演算子を用いて,非侵襲的に粗度気候予測を行う枠組みを提案する。
これまで、統計にマッチする損失関数を用いてそのようなオペレータを訓練しようと試みてきた。
しかしながら、このアプローチは、参照統計が収束していないため、トレーニングデータよりも返却期間が長いイベントでは不十分である。
ここでは、トレーニングデータよりも長い戻り期間を持つ極端な事象の動的補正と定量化を可能にする学習方法を定式化する。
鍵となる障害は、基礎となる力学のカオス性である。
この課題を克服するために、修正演算子を基準データを用いて訓練し、その基準に向けて粗いモデルシミュレーションを行う動的システムアプローチを導入する。
本手法は,未解決の準地すべりモデルとエネルギーエクサスケール地球系モデル(e3sm)のデバイアスについて実証した。
前者に対しては、トレーニングデータよりも2桁長いリターン期間を持つ事象の定量化を可能にする。
後者の場合,8年間のERA5データをトレーニングすると,粗いE3SMの出力を補正し,36年間のERA5の統計データを詳細に反映し,空間バイアスを著しく低減することができる。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - ReFine: Boosting Time Series Prediction of Extreme Events by Reweighting and Fine-tuning [0.0]
衝撃的な出来事を表すため、極端に重要な出来事である。
極端な出来事を正確に予測することは 困難です 希少さと不規則さのために
課題に対処するために、再重み付けと微調整という2つの戦略を提案する。
論文 参考訳（メタデータ） (2024-09-21T19:29:29Z) - A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data [12.566163525039558]
本稿では,カオスシステムの非侵襲的に解けない長期シミュレーションにニューラルネットワークモデルをトレーニングするための戦略を提案する。
トレーニングで見られるデータより30倍以上長い時間的地平線上での異方性統計を正確に予測する能力を示す。
論文 参考訳（メタデータ） (2024-08-02T18:34:30Z) - LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised
Time Series Anomaly Detection [49.52429991848581]
深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。
本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
論文 参考訳（メタデータ） (2023-10-09T12:36:16Z) - How to Learn and Generalize From Three Minutes of Data:
Physics-Constrained and Uncertainty-Aware Neural Stochastic Differential
Equations [24.278738290287293]
ニューラル微分方程式(SDE)を用いた制御力学モデル学習のためのフレームワークとアルゴリズムを提案する。
本研究では,従来の物理知識を帰納バイアスとして活用するためのドリフト項を構築し,学習モデルの予測の不確かさを距離認識した推定値を表す拡散項を設計する。
我々は、シミュレーションロボットシステムの実験を通じてこれらの能力を実証し、ヘキサコプターの飛行力学をモデル化し制御する。
論文 参考訳（メタデータ） (2023-06-10T02:33:34Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - 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) - 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) - Long-term stability and generalization of observationally-constrained
stochastic data-driven models for geophysical turbulence [0.19686770963118383]
ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。
データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。
決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。
本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
論文 参考訳（メタデータ） (2022-05-09T23:52:37Z) - State-Space Models Win the IEEE DataPort Competition on Post-covid
Day-ahead Electricity Load Forecasting [0.0]
我々は、電力需要予測競争の勝利戦略を提示する。
この競争は、2020年春に始まるような不安定な期間の新しい予測方法を設計するために組織された。
私たちは、標準的な統計モデルと機械学習モデルを適用するために、ステートスペースモデルに依存しています。
論文 参考訳（メタデータ） (2021-10-01T11:57:37Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳（メタデータ） (2020-06-10T08:22:41Z)
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。