論文の概要: Generative AI models enable efficient and physically consistent sea-ice simulations

• arxiv url: http://arxiv.org/abs/2508.14984v1
• Date: Wed, 20 Aug 2025 18:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.061443
• Title: Generative AI models enable efficient and physically consistent sea-ice simulations
• Title（参考訳）: ジェネレーティブAIモデルは、効率的で物理的に一貫した海氷シミュレーションを可能にする
• Authors: Tobias Sebastian Finn, Marc Bocquet, Pierre Rampal, Charlotte Durand, Flavia Porro, Alban Farchi, Alberto Carrassi,
• Abstract要約: 我々は、最初の生成AIベースのパンアーキティックモデルであるGenSIMを紹介する。 数値モデルや観測で観測された統計を強く再現する。 脆性のような短期的なダイナミクスを示す一方で、長期的な海氷の減少を描いている。
• 参考スコア（独自算出の注目度）: 0.410643402505395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sea ice is governed by highly complex, scale-invariant, and anisotropic processes that are challenging to represent in Earth system models. While advanced numerical models have improved our understanding of the sea-ice dynamics, their computational costs often limit their application in ensemble forecasting and climate simulations. Here, we introduce GenSIM, the first generative AI-based pan-Arctic model that predicts the evolution of all relevant key properties, including concentration, thickness, and drift, in a 12-hour window with improved accuracy over deterministic predictions and high computational efficiency, while remaining physically consistent. Trained on a long simulation from a state-of-the-art sea-ice--ocean system, GenSIM robustly reproduces statistics as observed in numerical models and observations, exhibiting brittle-like short-term dynamics while also depicting the long-term sea-ice decline. Driven solely by atmospheric forcings, we attribute GenSIM's emergent extrapolation capabilities to patterns that reflect the long-term impact of the ocean: it seemingly has learned an internal ocean emulator. This ability to infer slowly evolving climate-relevant dynamics from short-term predictions underlines the large potential of generative models to generalise for unseen climates and to encode hidden physics.
• Abstract（参考訳）: 海氷は、地球系のモデルで表すのが困難である非常に複雑でスケール不変で異方的なプロセスによって支配されている。 先進的な数値モデルにより海氷力学の理解が向上したが、その計算コストは、しばしばアンサンブル予測や気候シミュレーションにおける適用を制限する。 ここでは、決定論的予測と高い計算効率を向上しつつ、物理的に整合性を維持しながら、12時間窓において、濃度、厚さ、ドリフトを含むすべての重要な特性の進化を予測する、AIベースの最初の生成的パン・アルキティックモデルであるGenSIMを紹介する。 GenSIMは、最先端の海氷海洋システムから長期のシミュレーションに基づいて、数値モデルや観測で観測された統計を頑健に再現し、脆性のような短期的なダイナミクスを示しながら、長期的な海氷の減少を描いている。 我々は、大気中の強制力によってのみ駆動される、GenSIMの創発的な外挿能力は、海洋の長期的影響を反映するパターンに帰着する。 短期的な予測から徐々に進化する気候関連力学を推測するこの能力は、生成モデルの大きな潜在能力を基盤として、目に見えない気候を一般化し、隠れた物理学をエンコードする。

関連論文リスト

• NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
  複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。 我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。 NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-27T10:54:40Z)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• 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)
• Harnessing AI data-driven global weather models for climate attribution: An analysis of the 2017 Oroville Dam extreme atmospheric river [0.2968738145616401]
  この分析は、2017年2月、カリフォルニア州北部で起きたオロビルダムの流出事故に繋がった、極端に大気中の川のエピソードに基づいている。 過去と将来のシミュレーションは、インダストリアル前と21世紀後半の気温変化信号で初期条件を摂動することで生成される。 全体として、AIモデルは有望な結果を示し、現在のオロビルダムにおける統合水蒸気は、工業以前のものに比べて5-6%増加したと予測している。
  論文  参考訳（メタデータ） (2024-09-17T23:34:39Z)
• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)

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。