論文の概要: Quantum Neural Networks for Cloud Cover Parameterizations in Climate Models
- arxiv url: http://arxiv.org/abs/2502.10131v1
- Date: Fri, 14 Feb 2025 13:02:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 18:06:45.260923
- Title: Quantum Neural Networks for Cloud Cover Parameterizations in Climate Models
- Title（参考訳）: 気候モデルにおける雲被覆パラメータ化のための量子ニューラルネットワーク
- Authors: Lorenzo Pastori, Arthur Grundner, Veronika Eyring, Mierk Schwabe,
- Abstract要約: 短時間の高解像度気候シミュレーションで訓練された機械学習モデルは、従来のパラメータ化を代替する有望な候補である。
QNNは従来のものと異なり、その高い表現性が、正確なデータ駆動スキームのための有望なツールになる可能性がある。
調査対象のQNNの全体的な性能は、トレーニング可能なパラメータの数と同じ大きさの古典的NNと同等であることを示す。
- 参考スコア（独自算出の注目度）: 0.08271752505511926
- License:
- Abstract: Long-term climate projections require running global Earth system models on timescales of hundreds of years and have relatively coarse resolution (from 40 to 160 km in the horizontal) due to their high computational costs. Unresolved subgrid-scale processes, such as clouds, are described in a semi-empirical manner by so called parameterizations, which are a major source of uncertainty in climate projections. Machine learning models trained on short high-resolution climate simulations are promising candidates to replace conventional parameterizations. In this work, we explore the potential of quantum machine learning (QML), and in particular quantum neural networks (QNNs), to develop cloud cover parameterizations. QNNs differ from their classical counterparts, and their potentially high expressivity turns them into promising tools for accurate data-driven schemes to be used in climate models. We perform an extensive comparative analysis between several QNNs and classical neural networks (NNs), by training both ansatzes on data coming from high-resolution simulations with the ICOsahedral Non-hydrostatic weather and climate model (ICON). Our results show that the overall performance of the investigated QNNs is comparable to that of classical NNs of similar size, i.e., with the same number of trainable parameters, with both ansatzes outperforming standard parameterizations used in climate models. Our study includes an analysis of the generalization ability of the models as well as the geometrical properties of their optimization landscape. We also investigate the effects of finite sampling noise, and show that the training and the predictions of the QNNs are stable even in this noisy setting. These results demonstrate the applicability of QML to learn meaningful patterns in climate data, and are thus relevant for a broad range of problems within the climate modeling community.
- Abstract（参考訳）: 長期の気候予測では、数百年の時間スケールで地球系のモデルを実行する必要があり、計算コストが高いため、比較的粗い解像度(水平に40kmから160km)を持つ。
雲のような未解決の亜グリッドスケールのプロセスは、いわゆるパラメータ化によって半経験的な方法で記述される。
短時間の高解像度気候シミュレーションで訓練された機械学習モデルは、従来のパラメータ化を代替する有望な候補である。
本研究では、量子機械学習(QML)、特に量子ニューラルネットワーク(QNN)の可能性を探り、クラウド被覆パラメータ化を開発する。
QNNは従来のものと異なり、その高い表現性は、気候モデルで使用される正確なデータ駆動スキームのための有望なツールとなる。
我々は、ICOsahedral Non-hydrostatic weather and climate model (ICON)を用いて、高分解能シミュレーションから得られるデータに基づいて、複数のQNNと古典的ニューラルネットワーク(NN)の広範な比較分析を行う。
以上の結果から,調査対象のQNNの全体的な性能は,同じ数のトレーニング可能なパラメータを持つ古典的NNと同等であり,どちらも気候モデルで使用される標準パラメータ化よりも優れていた。
本研究は,モデルの一般化能力および最適化景観の幾何学的特性の分析を含む。
また, 有限サンプリングノイズの影響について検討し, この雑音条件下においてもQNNのトレーニングと予測が安定であることを示す。
これらの結果は,QMLが気候データにおいて有意義なパターンを学習することに適用可能であることを示し,気候モデリングコミュニティ内の幅広い問題に関係している。
関連論文リスト
- QESM: A Leap Towards Quantum-Enhanced ML Emulation Framework for Earth and Climate Modeling [0.1652179599507607]
現在の気候モデルは、十分な解像度がないため、しばしば正確さに苦しむ。
我々は、CNNのような従来のモデルを量子バージョンに置き換える。
これらの量子モデルは、気候関連の結果を予測する上でより正確であることが判明した。
論文 参考訳（メタデータ） (2024-10-02T13:40:37Z) - 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) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - Characterizing climate pathways using feature importance on echo state
networks [0.0]
エコー状態ネットワーク(ESN)は、時間的データのために設計された計算効率の良いニューラルネットワークのバリエーションである。
ESNは非解釈可能なブラックボックスモデルであり、変数関係を理解する上でハードルとなる。
我々は,特徴重要度の評価と比較を行うシミュレーション研究を行い,再分析気候データに対するアプローチを実証する。
論文 参考訳（メタデータ） (2023-10-12T16:55:04Z) - 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) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳（メタデータ） (2022-10-11T14:52:20Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - Combining data assimilation and machine learning to estimate parameters
of a convective-scale model [0.0]
対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。
本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
論文 参考訳（メタデータ） (2021-09-07T09:17:29Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - PCE-PINNs: Physics-Informed Neural Networks for Uncertainty Propagation
in Ocean Modeling [0.0]
気候モデルは、摂氏1.5度から5度までの温暖化シナリオの不確実な範囲を2100年まで予測している。
ほとんどの物理ベースの気候モデルは計算上、アンサンブルとして走るには高価すぎる。
物理学によるニューラルネットワーク(PINN)の最近の研究は、深層学習と物理科学を組み合わせて、気候サブモデルの最大15k高速コピーを学習している。
論文 参考訳（メタデータ） (2021-05-05T17:52:21Z)
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。