論文の概要: LUCIE: A Lightweight Uncoupled ClImate Emulator with long-term stability and physical consistency for O(1000)-member ensembles
- arxiv url: http://arxiv.org/abs/2405.16297v1
- Date: Sat, 25 May 2024 16:27:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 21:57:23.883648
- Title: LUCIE: A Lightweight Uncoupled ClImate Emulator with long-term stability and physical consistency for O(1000)-member ensembles
- Title（参考訳）: LUCIE:O(1000)メンバーアンサンブルの長期安定性と物理的整合性を有する軽量無結合クリメートエミュレータ
- Authors: Haiwen Guan, Troy Arcomano, Ashesh Chattopadhyay, Romit Maulik,
- Abstract要約: 我々は,データ駆動型大気エミュレータであるLUCIEを,漂流気候を伴わない数千年間,自己回帰推論中に安定に維持する。
LUCIEは、1つのA100 GPU上で4ドル(約4,400円)の確率変数を24ドル(約2,400円)で、粗解像度のERA5データを9.5ドル(約9,800円)でトレーニングしている。
他の最先端のAI気象モデルとは異なり、LUCIEは不安定でもなく、エミュレートされた気候の非物理的漂流をもたらす幻覚も生じない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present LUCIE, a $1000$- member ensemble data-driven atmospheric emulator that remains stable during autoregressive inference for thousands of years without a drifting climatology. LUCIE has been trained on $9.5$ years of coarse-resolution ERA5 data with $4$ prognostic variables on a single A100 GPU for $2.4$ h. Owing to the cheap computational cost of inference, $1000$ model ensembles are executed for $5$ years to compute an uncertainty-quantified climatology for the prognostic variables that closely match the climatology obtained from ERA5. Unlike all the other state-of-the-art AI weather models, LUCIE is neither unstable nor does it produce hallucinations that result in unphysical drift of the emulated climate. Furthermore, LUCIE \textbf{does not impose} ``true" sea-surface temperature (SST) from a coupled numerical model to enforce the annual cycle in temperature. We demonstrate the long-term climatology obtained from LUCIE as well as subseasonal-to-seasonal scale prediction skills on the prognostic variables. We also demonstrate a $20$-year emulation with LUCIE here: https://drive.google.com/file/d/1mRmhx9RRGiF3uGo_mRQK8RpwQatrCiMn/view
- Abstract（参考訳）: LUCIEはデータ駆動型大気エミュレータで、数千年間の自己回帰推論の間、漂流気候なしで安定している。
LUCIEは、1つのA100 GPU上で4ドル(約4,400円)の確率変数を24ドル(約2,400円)で、粗解像度のERA5データを9.5ドル(約9,800円)でトレーニングしている。
安価な計算コストの推論のため、1000ドルのモデルアンサンブルが5ドルで実行され、ERA5から得られた気候と密接に一致する確率変数の不確実性定量気候学が計算される。
他の最先端のAI気象モデルとは異なり、LUCIEは不安定でもなく、エミュレートされた気候の非物理的漂流をもたらす幻覚も生じない。
さらに、LUCIE \textbf{does not put} `true' sea- surface temperature (SST) from a combined numerical model to enforce the annual cycle in temperature。
我々はLUCIEから得られた長期気候学と,その予知変数に対する季節-季節間スケール予測技術を実証した。
https://drive.google.com/file/d/1mRmhx9RRGiF3uGo_mRQK8RpwQatrCiMn/view
関連論文リスト
- Feasible Learning [78.6167929413604]
本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。
大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
論文 参考訳（メタデータ） (2025-01-24T20:39:38Z) - Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - The impact of internal variability on benchmarking deep learning climate emulators [2.3342885570554652]
完全複雑地球系モデル(ESM)は計算に非常に高価であり、複数の放出経路の気候結果の探索に使用を制限している。
ESMを近似するより効率的なエミュレータは、放射を気候データセットに直接マッピングすることができる。
我々は、データ駆動型気候エミュレーションの一般的なベンチマークであるClimateBenchを調査し、ディープラーニングベースのエミュレータが現在、最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-08-09T18:17:17Z) - NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - Sim2Real for Environmental Neural Processes [20.850715955359593]
我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。
Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
論文 参考訳（メタデータ） (2023-10-30T18:49:06Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Hybrid data driven/thermal simulation model for comfort assessment [0.3495246564946556]
本稿では, 実データとシミュレーションデータとのハイブリッド化手法を提案する。
ベンチマーク研究は、異なる機械学習手法を比較するために実現される。
論文 参考訳（メタデータ） (2023-09-04T17:39:07Z) - Extreme heatwave sampling and prediction with analog Markov chain and
comparisons with deep learning [0.0]
本研究では,フランスとスカンジナビアにおける熱波の確率推定に適したデータ駆動型エミュレータ,天気発生器(SWG)を提案する。
我々は,中間複雑性気候モデルを用いてエミュレータを訓練し,サンプルからの熱波の条件付き確率(予測)を予測することができることを示した。
SWGによる確率的予測は、畳み込みニューラルネットワーク(CNN)による予測と比較される。
論文 参考訳（メタデータ） (2023-07-18T08:25:14Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Residual-based physics-informed transfer learning: A hybrid method for
accelerating long-term CFD simulations via deep learning [0.9217021281095907]
自然対流のCFDケーススタディによりRePIT戦略の有効性を検証した。
我々のRePIT戦略は、業界におけるCFDシミュレーションのコストを削減するための有望な手法である。
論文 参考訳（メタデータ） (2022-06-14T13:11:22Z) - 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。