論文の概要: CondensNet: Enabling stable long-term climate simulations via hybrid deep learning models with adaptive physical constraints
- arxiv url: http://arxiv.org/abs/2502.13185v1
- Date: Tue, 18 Feb 2025 11:11:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 14:00:48.773895
- Title: CondensNet: Enabling stable long-term climate simulations via hybrid deep learning models with adaptive physical constraints
- Title(参考訳): CondensNet: 適応的物理的制約を伴うハイブリッドディープラーニングモデルによる安定した長期気候シミュレーションの実現
- Authors: Xin Wang, Juntao Yang, Jeff Adie, Simon See, Kalli Furtado, Chen Chen, Troy Arcomano, Romit Maulik, Gianmarco Mengaldo,
- Abstract要約: 現在の一般循環モデル(GCM)は、雲や対流のような未解決の物理過程を捉える上で困難に直面している。
クラウド・リゾルディング・モデル(Super Paramtetrizations とも呼ばれる)は計算的に禁止されている。
我々は、非物理的凝縮プロセスの修正に自己適応的な物理的制約を組み込んだ、新しいニューラルネットワークアーキテクチャであるCondensNetを紹介した。
- 参考スコア(独自算出の注目度): 12.564238759484962
- License:
- Abstract: Accurate and efficient climate simulations are crucial for understanding Earth's evolving climate. However, current general circulation models (GCMs) face challenges in capturing unresolved physical processes, such as cloud and convection. A common solution is to adopt cloud resolving models, that provide more accurate results than the standard subgrid parametrisation schemes typically used in GCMs. However, cloud resolving models, also referred to as super paramtetrizations, remain computationally prohibitive. Hybrid modeling, which integrates deep learning with equation-based GCMs, offers a promising alternative but often struggles with long-term stability and accuracy issues. In this work, we find that water vapor oversaturation during condensation is a key factor compromising the stability of hybrid models. To address this, we introduce CondensNet, a novel neural network architecture that embeds a self-adaptive physical constraint to correct unphysical condensation processes. CondensNet effectively mitigates water vapor oversaturation, enhancing simulation stability while maintaining accuracy and improving computational efficiency compared to super parameterization schemes. We integrate CondensNet into a GCM to form PCNN-GCM (Physics-Constrained Neural Network GCM), a hybrid deep learning framework designed for long-term stable climate simulations in real-world conditions, including ocean and land. PCNN-GCM represents a significant milestone in hybrid climate modeling, as it shows a novel way to incorporate physical constraints adaptively, paving the way for accurate, lightweight, and stable long-term climate simulations.
- Abstract(参考訳): 正確な効率的な気候シミュレーションは、地球の進化する気候を理解するのに不可欠である。
しかし、現在の一般循環モデル(GCM)は、雲や対流のような未解決の物理過程を捉える上で困難に直面している。
一般的な解決策は、GCMで一般的に使用される標準のサブグリッド・パラメトリシエーション方式よりも正確な結果を提供するクラウド・リゾルディング・モデルを採用することである。
しかし、雲の解法モデル(スーパーパラメトリゼーションとも呼ばれる)は計算的に禁止されている。
ディープラーニングと方程式ベースのGCMを統合するハイブリッドモデリングは、有望な代替手段を提供するが、長期的な安定性と精度の問題に苦慮することが多い。
本研究では, 凝縮時の水蒸気過飽和が, ハイブリッドモデルの安定性を損なう重要な要因であることを明らかにした。
これを解決するために、非物理的凝縮プロセスの修正に自己適応的な物理的制約を組み込んだ、新しいニューラルネットワークアーキテクチャであるCondensNetを紹介します。
凝縮ネットは、水蒸気過飽和を効果的に軽減し、精度を維持しながらシミュレーション安定性を向上し、超パラメータ化方式と比較して計算効率を向上する。
我々はCondensNetをGCMに統合してPCNN-GCM(Physics-Constrained Neural Network GCM)を形成する。
PCNN-GCMは、物理的制約を適応的に組み込む新しい方法を示し、正確で軽量で安定した長期気候シミュレーションの道を開くことによって、ハイブリッド気候モデリングにおいて重要なマイルストーンとなっている。
関連論文リスト
- Learning to generate physical ocean states: Towards hybrid climate modeling [1.5845117761091052]
オーシャン・ジェネラル・サーキュレーション・モデル (Ocean General Circulation Models) は、平衡状態に達するためには広範な計算資源を必要とする。
ディープラーニングエミュレータは、高速な予測を提供するが、気候科学者に必要な物理的解釈可能性や長期的な安定性は欠如している。
我々は、深部生成モデルを利用して物理的に一貫した海洋状態を生成することにより、両方の世界から最善を尽くすことを提案する。
論文 参考訳(メタデータ) (2025-02-04T17:14:41Z) - Latent Diffusion Model for Generating Ensembles of Climate Simulations [2.144088660722956]
我々は、広範囲の気候シミュレーションに基づいて、新しい生成的深層学習アプローチを訓練する。
潜在空間表現を利用することで、我々のモデルは最小限のメモリを必要とする大規模なアンサンブルをオンザフライで迅速に生成できる。
論文 参考訳(メタデータ) (2024-07-02T08:59:24Z) - 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) - 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) - Machine-learned climate model corrections from a global storm-resolving
model [0.0]
我々は,200kmの気候モデルから3kmの微細グリッド・ストーム・リゾルディング・モデル(GSRM)を進化させるために必要な,状態依存温度,湿度,放射フラックス補正の学習のためにニューラルネットワークを訓練する。
これらの補正MLモデルが1年間の粗乾燥気候シミュレーションに結合されると、時間平均空間パターン誤差は陸面温度で6-25%、地表面降水で9-25%減少する。
論文 参考訳(メタデータ) (2022-11-21T19:39:05Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳(メタデータ) (2022-10-31T04:04:03Z) - Efficient Climate Simulation via Machine Learning Method [21.894503534237664]
我々は,実世界のシナリオ下でのハイブリッドモデリングのためのNeuroClimというフレームワークを開発した。
NeuroClimは、(1)プラットフォーム、(2)データセット、(3)メトリクスの3つの部分から構成される。
論文 参考訳(メタデータ) (2022-08-15T07:47:38Z) - 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) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z) - HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。
コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。
私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
論文 参考訳(メタデータ) (2020-10-08T15:16:16Z)
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。