論文の概要: Community Research Earth Digital Intelligence Twin (CREDIT)

• arxiv url: http://arxiv.org/abs/2411.07814v1
• Date: Sat, 09 Nov 2024 03:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:39.446774
• Title: Community Research Earth Digital Intelligence Twin (CREDIT)
• Title（参考訳）: コミュニティリサーチ 地球デジタルインテリジェンスツインツインツインツインツインツインツインツインツインツインツインツインツインツインツ
• Authors: John Schreck, Yingkai Sha, William Chapman, Dhamma Kimpara, Judith Berner, Seth McGinnis, Arnold Kazadi, Negin Sobhani, Ben Kirk, David John Gagne II,
• Abstract要約: NSF NCAR で開発された Community Research Earth Digital Intelligence Twin (CREDIT) フレームワークを紹介する。 CREDITは、AIベースの大気モデルのトレーニングとデプロイのための、柔軟でスケーラブルでユーザフレンドリなプラットフォームを提供する。 We demonstrate CREDIT’s potential through WXFormer, a novel deterministic vision transformer designed to predict atmosphere state autoregressive。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recent advancements in artificial intelligence (AI) for numerical weather prediction (NWP) have significantly transformed atmospheric modeling. AI NWP models outperform traditional physics-based systems, such as the Integrated Forecast System (IFS), across several global metrics while requiring fewer computational resources. However, existing AI NWP models face limitations related to training datasets and timestep choices, often resulting in artifacts that reduce model performance. To address these challenges, we introduce the Community Research Earth Digital Intelligence Twin (CREDIT) framework, developed at NSF NCAR. CREDIT provides a flexible, scalable, and user-friendly platform for training and deploying AI-based atmospheric models on high-performance computing systems. It offers an end-to-end pipeline for data preprocessing, model training, and evaluation, democratizing access to advanced AI NWP capabilities. We demonstrate CREDIT's potential through WXFormer, a novel deterministic vision transformer designed to predict atmospheric states autoregressively, addressing common AI NWP issues like compounding error growth with techniques such as spectral normalization, padding, and multi-step training. Additionally, to illustrate CREDIT's flexibility and state-of-the-art model comparisons, we train the FUXI architecture within this framework. Our findings show that both FUXI and WXFormer, trained on six-hourly ERA5 hybrid sigma-pressure levels, generally outperform IFS HRES in 10-day forecasts, offering potential improvements in efficiency and forecast accuracy. CREDIT's modular design enables researchers to explore various models, datasets, and training configurations, fostering innovation within the scientific community.
• Abstract（参考訳）: 数値気象予測(NWP)のための人工知能(AI)の最近の進歩は、大気モデルに大きな変化をもたらした。 AI NWPは、計算リソースを少なくしながら、いくつかのグローバルメトリクスにわたって、IFS(Integrated Forecast System)のような従来の物理ベースのシステムより優れている。 しかし、既存のAI NWPモデルは、トレーニングデータセットとタイムステップの選択に関連する制限に直面し、多くの場合、モデルパフォーマンスを低下させるアーティファクトが発生する。 これらの課題に対処するため,NSF NCAR で開発された Community Research Earth Digital Intelligence Twin (CREDIT) フレームワークを紹介した。 CREDITは、AIベースの大気モデルをトレーニングし、ハイパフォーマンスコンピューティングシステムにデプロイするための、柔軟でスケーラブルでユーザフレンドリなプラットフォームを提供する。 データ前処理、モデルトレーニング、評価のためのエンドツーエンドパイプラインを提供し、高度なAI NWP機能へのアクセスを民主化している。 我々は、大気中の状態を自動回帰的に予測する新しい決定論的視覚変換器であるWXFormerを通じて、CREDITのポテンシャルを実証する。 さらに、CREDITの柔軟性と最先端モデルの比較を説明するために、このフレームワーク内でFUXIアーキテクチャをトレーニングします。 FUXIとWXFormerはいずれも6時間のERA5ハイブリッドシグマ圧圧レベルでトレーニングされ、10日間の予測ではIFS HRESより優れており、効率と予測精度が向上する可能性が示唆された。 CREDITのモジュラーデザインにより、研究者は様々なモデル、データセット、トレーニング構成を探索し、科学コミュニティ内のイノベーションを育むことができる。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• WeatherFormer: Empowering Global Numerical Weather Forecasting with Space-Time Transformer [18.1906457042669]
  数値気象予報システム (NWP) は近代社会に多大な影響を与えるインフラである。 従来のNWPは、複雑な偏微分方程式を巨大な計算クラスターで解き、大量の二酸化炭素を放出する。 この研究は、複雑な時間的大気力学をモデル化するための新しいトランスフォーマーベースのNWPフレームワークであるWeatherFormerを提案する。
  論文  参考訳（メタデータ） (2024-09-21T07:02:31Z)
• Prithvi WxC: Foundation Model for Weather and Climate [2.9230020115516253]
  Prithvi WxCは、Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)から160変数を用いて開発された23億のパラメータ基盤モデルである。 このモデルは、異なる位相の気象現象を微細な解像度でモデル化するために、大きなトークン数に対応できるように設計されている。 本稿では, 自動回帰ロールアウト予測, ダウンスケーリング, 重力波フラックスパラメータ化, エクストリームイベント推定など, 課題のある下流タスクのセットでモデルを検証する。
  論文  参考訳（メタデータ） (2024-09-20T15:53:17Z)
• Benchmarking Deep Learning Models on NVIDIA Jetson Nano for Real-Time Systems: An Empirical Investigation [2.3636539018632616]
  この研究は、複雑なディープラーニングモデルの最適化を実証的に研究し、組み込みデバイス上で機能を分析する。 画像分類と映像行動検出のための推論速度の観点から最適化されたモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2024-06-25T17:34:52Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
  ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。 モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。 ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-28T12:02:27Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)

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。