論文の概要: Modeling chaotic Lorenz ODE System using Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2410.06452v1
• Date: Wed, 9 Oct 2024 01:17:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 05:38:53.426358
• Title: Modeling chaotic Lorenz ODE System using Scientific Machine Learning
• Title（参考訳）: 科学機械学習を用いたカオスロレンツODEシステムのモデル化
• Authors: Sameera S Kashyap, Raj Abhijit Dandekar, Rajat Dandekar, Sreedath Panat,
• Abstract要約: 本稿では,SciML(SciML)手法を基礎的な気象モデルに統合する。 物理気候モデルの解釈可能性とニューラルネットワークの計算能力を組み合わせることで、SciMLモデルは気候をモデル化するための信頼できるツールであることが証明できる。
• 参考スコア（独自算出の注目度）: 1.4633779950109127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In climate science, models for global warming and weather prediction face significant challenges due to the limited availability of high-quality data and the difficulty in obtaining it, making data efficiency crucial. In the past few years, Scientific Machine Learning (SciML) models have gained tremendous traction as they can be trained in a data-efficient manner, making them highly suitable for real-world climate applications. Despite this, very little attention has been paid to chaotic climate system modeling utilizing SciML methods. In this paper, we have integrated SciML methods into foundational weather models, where we have enhanced large-scale climate predictions with a physics-informed approach that achieves high accuracy with reduced data. We successfully demonstrate that by combining the interpretability of physical climate models with the computational power of neural networks, SciML models can prove to be a reliable tool for modeling climate. This indicates a shift from the traditional black box-based machine learning modeling of climate systems to physics-informed decision-making, leading to effective climate policy implementation.
• Abstract（参考訳）: 気候科学において、地球温暖化と天気予報のモデルは、高品質なデータの入手が限られており、取得が困難であるため、重要な課題に直面している。 過去数年間、SciML(Scientific Machine Learning)モデルは、データ効率のよい方法でトレーニングできるので、現実の気候に非常に適している。 それにもかかわらず、SciML法を利用したカオス的な気候システムモデリングにはほとんど注意が払われていない。 本稿では,SciML法を基礎気象モデルに統合し,物理インフォームド手法を用いて大規模気候予測を改良し,データ削減による高精度化を実現した。 我々は、物理気候モデルの解釈可能性とニューラルネットワークの計算能力を組み合わせることで、SciMLモデルは、気候をモデル化するための信頼できるツールであることが証明された。 これは、従来のブラックボックスベースの機械学習による気候システムのモデリングから物理情報による意思決定へと変化し、効果的な気候政策の実装につながったことを示している。

関連論文リスト

• Robustness of AI-based weather forecasts in a changing climate [1.4779266690741741]
  現状の機械学習モデルは、現在の気候における天気予報のために訓練されたものであり、様々な気候状態において熟練した予測をもたらすことを示す。 現在の制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが気候科学に強力なツールを提供することを示唆している。
  論文  参考訳（メタデータ） (2024-09-27T08:11:49Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• Towards Causal Representations of Climate Model Data [18.82507552857727]
  この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。 以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
  論文  参考訳（メタデータ） (2023-12-05T16:13:34Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
  変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。 利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
  論文  参考訳（メタデータ） (2023-02-07T05:09:10Z)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• 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)
• Climate-Invariant Machine Learning [0.8831201550856289]
  現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。 最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。 我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-14T07:02:57Z)

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。