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: 処理完了
- システム内更新日: 2024-11-09 02:07:29.287236
- 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: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- 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
- 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) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - 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。