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/2405.16297v2
- Date: Fri, 27 Sep 2024 01:54:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-01 06:53:55.101320
- 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: 軽量で、訓練が容易で、低解像度で、完全にデータ駆動型気候エミュレータであるLUCIEを紹介します。
最先端のAI天気モデルとは異なり、LUCIEは100ドルの自己回帰シミュレーションのために安定しており、物理的に一貫性がある。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: We present a lightweight, easy-to-train, low-resolution, fully data-driven climate emulator, LUCIE, that can be trained on as low as $2$ years of $6$-hourly ERA5 data. Unlike most state-of-the-art AI weather models, LUCIE remains stable and physically consistent for $100$ years of autoregressive simulation with $100$ ensemble members. Long-term mean climatology from LUCIE's simulation of temperature, wind, precipitation, and humidity matches that of ERA5 data, along with the variability. We further demonstrate how well extreme weather events and their return periods can be estimated from a large ensemble of long-term simulations. We further discuss an improved training strategy with a hard-constrained first-order integrator to suppress autoregressive error growth, a novel spectral regularization strategy to better capture fine-scale dynamics, and finally an optimization algorithm that enables data-limited (as low as $2$ years of $6$-hourly data) training of the emulator without losing stability and physical consistency. Finally, we provide a scaling experiment to compare the long-term bias of LUCIE with respect to the number of training samples. Importantly, LUCIE is an easy to use model that can be trained in just $2.4$h on a single A-100 GPU, allowing for multiple experiments that can explore important scientific questions that could be answered with large ensembles of long-term simulations, e.g., the impact of different variables on the simulation, dynamic response to external forcing, and estimation of extreme weather events, amongst others.
- Abstract(参考訳): 軽量で、訓練が容易で、低解像度で、完全にデータ駆動型気候エミュレータであるLUCIEを紹介します。
最先端のAI天気モデルとは異なり、LUCIEは安定していて、100ドル(約1万1000円)のアンサンブルメンバーによる100ドル(約1万2000円)の自己回帰シミュレーションで安定している。
LUCIEによる気温、風速、降水量、湿度の長期平均気候学は、変動性とともにERA5のデータと一致する。
さらに, 長期シミュレーションの大規模なアンサンブルから, 極端な気象事象とその帰還期間を推定できることを示す。
さらに、自己回帰的誤差の増大を抑制するためのハードコントラスト付き一階積分器によるトレーニング戦略、微細な力学をより正確に捉えるためのスペクトル正規化戦略、そして最後に、安定性と物理的整合性を損なうことなく、エミュレータのデータ制限(最低2ドルで6ドル毎のデータ)のトレーニングを可能にする最適化アルゴリズムについても論じる。
最後に,LUCIEの長期バイアスとトレーニングサンプル数を比較するためのスケーリング実験を行った。
重要な点として、LUCIEは1つのA-100 GPUでたった2.4ドル(約2,400円)でトレーニングできる簡単なモデルであり、長期シミュレーションの大きなアンサンブル、シミュレーションに対する変数の異なる影響、外部の強制に対する動的応答、極端な気象事象の推定など、重要な科学的疑問に答えられる複数の実験を可能にする。
関連論文リスト
- ChaosBench: A Multi-Channel, Physics-Based Benchmark for Subseasonal-to-Seasonal Climate Prediction [23.075528272022282]
本稿では,データ駆動型気象エミュレータの予測可能性範囲をS2Sタイムスケールに拡張するChaosBenchを提案する。
ChaosBench は、海、氷、土地の再分析生成物を含む、典型的な大気圏 ERA5 以外の変数で構成されている。
我々は、4つの国家気象機関による物理ベースの予測を、我々のデータ駆動の予測のベースラインとして評価した。
論文 参考訳(メタデータ) (2024-02-01T16:07:12Z) - ACE: A fast, skillful learned global atmospheric model for climate
prediction [9.778315723816549]
既存のMLベースの大気モデルは、気候予測には適していない。
本稿では,既存の100km大域大気モデルに対する機械学習エミュレータであるACEについて述べる。
100年間安定しており、明確な制約なしに柱の水分をほとんど保存し、参照モデルの気候を忠実に再現している。
論文 参考訳(メタデータ) (2023-10-03T14:15:06Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - 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) - Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。
本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。
特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文 参考訳(メタデータ) (2023-07-07T15:42:35Z) - Climate Model Driven Seasonal Forecasting Approach with Deep Learning [1.0159681653887238]
本稿では,最先端の深層学習モデル(UNet++)を最先端のグローバルCMIP6モデルで訓練し,その1ヶ月前に世界温度を予測する。
ERA5データセットは、検証データセットのパフォーマンス解析だけでなく、微調整にも使用された。
論文 参考訳(メタデータ) (2023-02-21T07:00:32Z) - 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) - An Interpretable Model of Climate Change Using Correlative Learning [0.0]
我々は、年間気温と降水量から年を予測するモデルを訓練する。
モデルが特定の年を予測する温度と降水パターンの違いは、時間を通して変化を示す。
相関学習アルゴリズムであるAlopexは、最適な温度と降水マップを見つけるために使われ、その年を最もよく予測する。
論文 参考訳(メタデータ) (2022-12-05T21:52:19Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳(メタデータ) (2022-06-24T17:58:13Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z)
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。