論文の概要: A nudge to the truth: atom conservation as a hard constraint in models of atmospheric composition using an uncertainty-weighted correction
- arxiv url: http://arxiv.org/abs/2408.16109v1
- Date: Wed, 28 Aug 2024 19:32:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-30 15:44:44.866168
- Title: A nudge to the truth: atom conservation as a hard constraint in models of atmospheric composition using an uncertainty-weighted correction
- Title（参考訳）: 不確実性重み付け補正を用いた大気組成モデルにおける硬度制約としての原子の保存
- Authors: Patrick Obin Sturm, Sam J. Silva,
- Abstract要約: 本稿では,任意の数値モデルからの予測を物理的に一貫した制約に固定する手法を提案する。
この閉形式モデル非依存補正は、予測された濃度を最小に摂動させるために単一の行列演算を使用する。
非物理的予測に対する不確実性重み付き補正の適用は、全体的な精度をわずかに向上させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational models of atmospheric composition are not always physically consistent. For example, not all models respect fundamental conservation laws such as conservation of atoms in an interconnected chemical system. In well performing models, these nonphysical deviations are often ignored because they are frequently minor, and thus only need a small nudge to perfectly conserve mass. Here we introduce a method that anchors a prediction from any numerical model to physically consistent hard constraints, nudging concentrations to the nearest solution that respects the conservation laws. This closed-form model-agnostic correction uses a single matrix operation to minimally perturb the predicted concentrations to ensure that atoms are conserved to machine precision. To demonstrate this approach, we train a gradient boosting decision tree ensemble to emulate a small reference model of ozone photochemistry and test the effect of the correction on accurate but non-conservative predictions. The nudging approach minimally perturbs the already well-predicted results for most species, but decreases the accuracy of important oxidants, including radicals. We develop a weighted extension of this nudging approach that considers the uncertainty and magnitude of each species in the correction. This species-level weighting approach is essential to accurately predict important low concentration species such as radicals. We find that applying the uncertainty-weighted correction to the nonphysical predictions slightly improves overall accuracy, by nudging the predictions to a more likely mass-conserving solution.
- Abstract（参考訳）: 大気組成の計算モデルは、必ずしも物理的に一貫したものではない。
例えば、すべてのモデルが相互に結合した化学系における原子の保存のような基本的な保存則を尊重するわけではない。
良好な性能のモデルでは、これらの非物理的偏差は、しばしば小さいため無視されるため、質量を完全に保存するために小さなヌッジしか必要としない。
ここでは,任意の数値モデルからの予測を物理的に一貫した厳密な制約に固定し,保存則を尊重する最も近い解に濃縮する手法を提案する。
この閉形式モデル非依存補正は、単一の行列演算を用いて予測された濃度を最小に摂動させ、原子が機械の精度に保存されることを保証する。
このアプローチを実証するために,オゾン光化学の小さな基準モデルをエミュレートするために,勾配向上決定木アンサンブルを訓練し,補正が正確だが保存的でない予測に及ぼす影響を検証した。
ヌーディングアプローチは、ほとんどの種で既によく予測されている結果を最小限に妨害するが、ラジカルを含む重要な酸化剤の精度を低下させる。
本研究は, 修正における各種の不確かさと大きさを考慮に入れた, このヌージング手法の重み付き拡張を開発する。
この種レベルの重み付けアプローチは、ラジカルのような重要な低濃度種を正確に予測するために不可欠である。
非物理的予測に対する不確実性重み付き補正の適用は、予測をより大量保存可能な解にヌードすることにより、全体的な精度をわずかに向上する。
関連論文リスト
- Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。
我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。
本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-17T05:42:27Z) - Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。
提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
論文 参考訳（メタデータ） (2023-06-05T14:15:39Z) - Graph Neural Network Interatomic Potential Ensembles with Calibrated
Aleatoric and Epistemic Uncertainty on Energy and Forces [9.378581265532006]
本稿では,エネルギーと力の正確な予測を行うために,グラフニューラルネットワークアンサンブルモデルのトレーニングと再構成のための完全なフレームワークを提案する。
提案手法は, てんかんとアラート的不確実性の両方を考慮し, 全不確実性はホック後に再検討する。
予測性能と不確実性校正の詳細な解析を行う。
論文 参考訳（メタデータ） (2023-05-10T13:03:06Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - Gluformer: Transformer-Based Personalized Glucose Forecasting with
Uncertainty Quantification [7.451722745955049]
基礎分布の無限混合として過去に条件付けられた将来のグルコースの軌跡をモデル化することを提案する。
この変更により、軌跡が不均一あるいは多モード分布である場合、不確実性を学習し、より正確に予測できる。
人工グルコースデータセットとベンチマークグルコースデータセットの精度と不確かさの両面から,既存の最先端技術よりも提案手法が優れていることを実証的に示す。
論文 参考訳（メタデータ） (2022-09-09T21:03:43Z) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳（メタデータ） (2022-06-28T15:35:55Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
量子物理学の摂動理論を用いてモーメント分解問題を定式化する。
我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
論文 参考訳（メタデータ） (2021-09-22T17:55:09Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳（メタデータ） (2020-06-29T21:50:07Z) - Stochastic modeling of non-linear adsorption with Gaussian kernel
density estimators [2.7126936616742845]
吸着は、製品製造や汚染修復など、多くの分野で関連するプロセスである。
我々は吸着シミュレーションのための化学拡散反応モデルを提案した。
提案モデルでは,ラングミュアとフレンドリッヒ等温線の非線形挙動特性を効果的に再現することができる。
論文 参考訳（メタデータ） (2020-04-14T12:21:33Z)
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。