論文の概要: Emulating the Global Change Analysis Model with Deep Learning
- arxiv url: http://arxiv.org/abs/2412.08850v1
- Date: Thu, 12 Dec 2024 01:12:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:34:27.054033
- Title: Emulating the Global Change Analysis Model with Deep Learning
- Title（参考訳）: ディープラーニングによるグローバル変化解析モデルのエミュレート
- Authors: Andrew Holmes, Matt Jensen, Sarah Coffland, Hidemi Mitani Shen, Logan Sizemore, Seth Bassetti, Brenna Nieva, Claudia Tebaldi, Abigail Snyder, Brian Hutchinson,
- Abstract要約: グローバル・チェンジ・アナリティクス・モデル(GCAM)は、地球と人間システムの間の複雑な相互作用をシミュレートする。
我々は、エネルギー生産源の異なる相対的寄与に関連する様々なGCAM入力を探索する既存の大きなアンサンブルでニューラルネットワークを訓練する。
我々は、この既存のアンサンブルを補足し、補間された入力値とより広い出力選択を行い、時間、セクター、地域にわたって22,528個のGCAM出力を予測する。
- 参考スコア（独自算出の注目度）: 0.5656531470783982
- License:
- Abstract: The Global Change Analysis Model (GCAM) simulates complex interactions between the coupled Earth and human systems, providing valuable insights into the co-evolution of land, water, and energy sectors under different future scenarios. Understanding the sensitivities and drivers of this multisectoral system can lead to more robust understanding of the different pathways to particular outcomes. The interactions and complexity of the coupled human-Earth systems make GCAM simulations costly to run at scale - a requirement for large ensemble experiments which explore uncertainty in model parameters and outputs. A differentiable emulator with similar predictive power, but greater efficiency, could provide novel scenario discovery and analysis of GCAM and its outputs, requiring fewer runs of GCAM. As a first use case, we train a neural network on an existing large ensemble that explores a range of GCAM inputs related to different relative contributions of energy production sources, with a focus on wind and solar. We complement this existing ensemble with interpolated input values and a wider selection of outputs, predicting 22,528 GCAM outputs across time, sectors, and regions. We report a median $R^2$ score of 0.998 for the emulator's predictions and an $R^2$ score of 0.812 for its input-output sensitivity.
- Abstract（参考訳）: グローバル・チェンジ・アナリティクス・モデル(GCAM)は、地球と人間システムの間の複雑な相互作用をシミュレートし、異なる将来のシナリオの下での土地、水、エネルギーセクターの共進化に関する貴重な洞察を提供する。
このマルチセクタシステムの感度とドライバを理解することは、特定の結果に対する異なる経路のより堅牢な理解につながる。
結合された人間と地球のシステムの相互作用と複雑さにより、GCAMシミュレーションは大規模に実行するのにコストがかかり、モデルパラメータや出力の不確実性を調べる大規模なアンサンブル実験の要件である。
同様の予測力を持つ微分可能エミュレータは、GCAMとその出力の新たなシナリオの発見と分析を提供し、GCAMの実行を少なくすることができる。
最初のユースケースとして、風と太陽に焦点をあてて、エネルギー生産源の異なる相対的な寄与に関連するGCAM入力を探索する、既存の大きなアンサンブルでニューラルネットワークをトレーニングする。
我々は、この既存のアンサンブルを補足し、補間された入力値とより広い出力選択を行い、時間、セクター、地域にわたって22,528個のGCAM出力を予測する。
本報告では,エミュレータの予測値が0.998ドル,入力出力感度が0.812ドルである。
関連論文リスト
- GCEPNet: Graph Convolution-Enhanced Expectation Propagation for Massive MIMO Detection [5.714553194279462]
実数値系をグラフ上のスペクトル信号畳み込みとしてモデル化し,未知変数間の相関を捉えることができることを示す。
このような分析に基づいて,より優れた一般化能力を有するグラフ畳み込み型予測伝搬(GCEPNet)を提案する。
論文 参考訳（メタデータ） (2024-04-23T10:13:39Z) - Adaptive Fusion of Multi-view Remote Sensing data for Optimal Sub-field
Crop Yield Prediction [24.995959334158986]
本研究では,異なる作物(スギ,コムギ,ラプシード)と地域(アルジャンティナ,ウルグアイ,ドイツ)の収量を予測するための,新しい多視点学習手法を提案する。
我々の入力データには、センチネル2衛星からのマルチスペクトル光学画像と、土壌特性や地形情報などの静的特徴を補完して、作物の生育期における動的特徴として気象データが含まれている。
データを効果的に融合するために、専用ビューエンコーダとGated Unit (GU)モジュールからなるMulti-view Gated Fusion (MVGF)モデルを導入する。
MVGFモデルは10m分解能でサブフィールドレベルで訓練される
論文 参考訳（メタデータ） (2024-01-22T11:01:52Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Fast and realistic large-scale structure from machine-learning-augmented
random field simulations [0.0]
我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。
本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
論文 参考訳（メタデータ） (2022-05-16T18:00:01Z) - DepthFormer: Exploiting Long-Range Correlation and Local Information for
Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。
我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。
提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文 参考訳（メタデータ） (2022-03-27T05:03:56Z) - Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。
畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。
提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文 参考訳（メタデータ） (2022-02-15T17:38:30Z) - Simultaneously Predicting Multiple Plant Traits from Multiple Sensors
via Deformable CNN Regression [0.0]
植物栽培と農業生産のパイプラインにとって、交通量測定は重要である。
我々は、複数のセンサ入力を受け入れ、複数の連続特性出力を予測する比較的単純な畳み込みニューラルネットワーク(CNN)モデルを導入する。
論文 参考訳（メタデータ） (2021-12-06T18:00:28Z) - Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。
このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。
A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
論文 参考訳（メタデータ） (2021-10-26T17:39:18Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z) - Sensitivity Prewarping for Local Surrogate Modeling [0.3222802562733786]
本稿では,グローバル感度解析からサロゲートモデルへ情報を取り込む枠組みを提案する。
ワープシミュレータ」がすべての入力方向に対して等しく敏感であるように入力ワーピングを行い、ローカルモデルがローカルダイナミクスに集中できるようにします。
論文 参考訳（メタデータ） (2021-01-15T20:42:32Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z)
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。