論文の概要: TAUDiff: Improving statistical downscaling for extreme weather events using generative diffusion models

• arxiv url: http://arxiv.org/abs/2412.13627v1
• Date: Wed, 18 Dec 2024 09:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 13:23:41.895813
• Title: TAUDiff: Improving statistical downscaling for extreme weather events using generative diffusion models
• Title（参考訳）: TAUDiff:生成拡散モデルによる極端気象事象の統計的ダウンスケーリングの改善
• Authors: Rahul Sundar, Nishant Parashar, Antoine Blanchard, Boyko Dodov,
• Abstract要約: 迅速なターンアラウンド、動的整合性、正確な時間的回復を達成することが不可欠である。 本稿では,決定論的モデルとより小さな生成的拡散モデルを組み合わせることで,より微細な特徴を再現する効率的な拡散モデルTiffAUDを提案する。 提案手法は, 極端事象のより高速なシミュレーションを実現するだけでなく, 低推算時間による炭素フットプリントの削減も可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Deterministic regression-based downscaling models for climate variables often suffer from spectral bias, which can be mitigated by generative models like diffusion models. To enable efficient and reliable simulation of extreme weather events, it is crucial to achieve rapid turnaround, dynamical consistency, and accurate spatio-temporal spectral recovery. We propose an efficient correction diffusion model, TAUDiff, that combines a deterministic spatio-temporal model for mean field downscaling with a smaller generative diffusion model for recovering the fine-scale stochastic features. We demonstrate the efficacy of this approach on downscaling atmospheric wind velocity fields obtained from coarse GCM simulations. Our approach can not only ensure quicker simulation of extreme events but also reduce overall carbon footprint due to low inference times.
• Abstract（参考訳）: 気候変数に対する決定論的回帰に基づくダウンスケーリングモデルは、しばしばスペクトルバイアスに悩まされ、拡散モデルのような生成モデルによって緩和される。 極端気象事象の効率的かつ信頼性の高いシミュレーションを可能にするためには、急激なターンアラウンド、動的整合性、正確な時空間スペクトル回復を実現することが不可欠である。 本稿では, 平均フィールドダウンスケーリングにおける決定論的時空間モデルと, より小さな生成的拡散モデルを組み合わせて, 高精度な確率的特徴を復元する効率的な補正拡散モデルTAUDiffを提案する。 粗いGCMシミュレーションから得られた大気風速場をダウンスケールする手法の有効性を実証する。 提案手法は, 極端事象のより高速なシミュレーションを実現するだけでなく, 低推算時間による炭素フットプリントの削減も可能である。

関連論文リスト

• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
  本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
  論文  参考訳（メタデータ） (2024-10-02T17:31:01Z)
• Conditional diffusion models for downscaling & bias correction of Earth system model precipitation [1.5193424827619018]
  本稿では,バイアス補正とダウンスケーリングを同時に行う機械学習フレームワークを提案する。 提案手法は, 統計的忠実性を確保し, 大規模空間パターンを保存し, 既存の手法より優れる。
  論文  参考訳（メタデータ） (2024-04-05T11:01:50Z)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• 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)
• DYffusion: A Dynamics-informed Diffusion Model for Spatiotemporal Forecasting [18.86526240105348]
  本稿では,確率的予測のための拡散モデルを効率的に訓練する手法を提案する。 我々は,標準拡散モデルの前方および逆過程を模倣する時間条件補間器と予測器ネットワークを訓練する。 本手法は, 海面温度, ナビエ-ストークス流, および湧水系の複雑な力学の確率論的予測を競合的に行う。
  論文  参考訳（メタデータ） (2023-06-03T02:46:31Z)
• DiffESM: Conditional Emulation of Earth System Models with Diffusion Models [2.1989764549743476]
  地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。 拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
  論文  参考訳（メタデータ） (2023-04-23T17:12:33Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。