論文の概要: Samudra: An AI Global Ocean Emulator for Climate

• arxiv url: http://arxiv.org/abs/2412.03795v2
• Date: Thu, 19 Dec 2024 15:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 16:51:51.337471
• Title: Samudra: An AI Global Ocean Emulator for Climate
• Title（参考訳）: Samudra: 気候変動のためのAIグローバルオーシャンエミュレータ
• Authors: Surya Dheeshjith, Adam Subel, Alistair Adcroft, Julius Busecke, Carlos Fernandez-Granda, Shubham Gupta, Laure Zanna,
• Abstract要約: 我々は、最先端の気候モデルにおける海洋成分のグローバルエミュレータを構築した。 マルチディープスレベルの海洋データに基づいてトレーニングされた改良型ConvNeXt UNetアーキテクチャを使用する。 海洋エミュレータ - Samudra は, 海洋変数の深さ構造と年次変動を再現できることを示す。
• 参考スコア（独自算出の注目度）: 27.24070831177446
• License:
• Abstract: AI emulators for forecasting have emerged as powerful tools that can outperform conventional numerical predictions. The next frontier is to build emulators for long climate simulations with skill across a range of spatiotemporal scales, a particularly important goal for the ocean. Our work builds a skillful global emulator of the ocean component of a state-of-the-art climate model. We emulate key ocean variables, sea surface height, horizontal velocities, temperature, and salinity, across their full depth. We use a modified ConvNeXt UNet architecture trained on multidepth levels of ocean data. We show that the ocean emulator - Samudra - which exhibits no drift relative to the truth, can reproduce the depth structure of ocean variables and their interannual variability. Samudra is stable for centuries and 150 times faster than the original ocean model. Samudra struggles to capture the correct magnitude of the forcing trends and simultaneously remains stable, requiring further work.
• Abstract（参考訳）: 予測のためのAIエミュレータは、従来の数値予測を上回る強力なツールとして登場した。 次のフロンティアは、長期の気候シミュレーションのためのエミュレータを構築することだ。 私たちの研究は、最先端の気候モデルにおける海洋成分の優れたグローバルエミュレータを構築しました。 海洋の主要変数,海面の高さ,水平速度,温度,塩分濃度を,その全深度にわたってエミュレートする。 マルチディープスレベルの海洋データに基づいてトレーニングされた改良型ConvNeXt UNetアーキテクチャを使用する。 本研究は,海面変動の深部構造を再現できる海洋エミュレータであるSamudraについて述べる。 サムードラは、最初の海洋モデルより何世紀にもわたって安定しており、150倍も速い。 Samudraは、強制傾向の正しい大きさを捉えるのに苦労し、同時に安定し、さらなる作業を必要としている。

関連論文リスト

• A Fast AI Surrogate for Coastal Ocean Circulation Models [10.800252698519634]
  海洋学者は海岸沿いの海流をシミュレートし、生命を救い、海岸の危険から財産の損失や被害を防ぐ早期警戒システムを開発する。 伝統的に、このようなシミュレーションは、地域海洋モデリングシステム(ROMS)のような沿岸海洋循環モデルを用いて行われる。 近年のディープラーニングとGPUアーキテクチャの進歩により、より高速なAI(ニューラルネットワーク)サロゲートの開発が可能になった。 本稿では,4次元スウィントランスを用いたAIサロゲートを提案する。
  論文  参考訳（メタデータ） (2024-10-19T02:49:30Z)
• Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model [0.6008008212472723]
  我々は,高分解能(0.25deg)人工知能/機械学習(AI/ML)結合土系モデルであるオーシャンリンク大気(Ola)モデルを提案する。 その結果,Olaは適切な位相速度を持つ熱帯海洋波を含む海洋-大気結合力学の学習特性を示すことがわかった。 本研究では,地球物理流体力学研究所のSPEARモデルと比較し,エルニーニョ/南方振動(ENSO)の予測能力を示す。
  論文  参考訳（メタデータ） (2024-06-12T20:29:14Z)
• Data-driven Global Ocean Modeling for Seasonal to Decadal Prediction [39.7461632644892]
  ORCA-DLは,海洋循環の季節的・季節的な予測を行う最初のデータ駆動型3次元海洋モデルである。 三次元海洋力学を正確にシミュレートし、最先端の力学モデルより優れている。 ケイデンスの時間スケールで海洋力学を安定にエミュレートし、巧妙なデケイデンスの予測や気候予測にもその可能性を示す。
  論文  参考訳（メタデータ） (2024-05-24T10:23:17Z)
• OceanGPT: A Large Language Model for Ocean Science Tasks [37.053614694078014]
  我々は,海洋科学の課題に精通した,海洋領域における最初の大規模言語モデルであるOceanGPTを紹介した。 また,大量の海洋ドメイン命令データを自動的に取得する新しいフレームワークであるOceanGPTを提案する。 海洋域におけるLLMの能力を評価するため,最初の海洋学ベンチマークであるOceanBenchを構築した。
  論文  参考訳（メタデータ） (2023-10-03T13:17:35Z)
• AI-GOMS: Large AI-Driven Global Ocean Modeling System [3.635120568177384]
  海洋モデリングは、海洋の物理的、化学的、生物学的過程をシミュレートするための強力なツールである。 本稿では,AIによる大規模海洋モデリングシステムであるAI-GOMSについて紹介する。
  論文  参考訳（メタデータ） (2023-08-06T15:59:30Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• Motion Prediction Using Temporal Inception Module [96.76721173517895]
  人間の動作を符号化するTIM(Temporal Inception Module)を提案する。 本フレームワークは,異なる入力長に対して異なるカーネルサイズを用いて,畳み込み層を用いて入力埋め込みを生成する。 標準的な動き予測ベンチマークデータセットであるHuman3.6MとCMUのモーションキャプチャデータセットの実験結果から,我々の手法は一貫して技術手法の状態を上回ります。
  論文  参考訳（メタデータ） (2020-10-06T20:26:01Z)

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。