論文の概要: ArchesClimate: Probabilistic Decadal Ensemble Generation With Flow Matching

• arxiv url: http://arxiv.org/abs/2509.15942v1
• Date: Fri, 19 Sep 2025 12:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.166367
• Title: ArchesClimate: Probabilistic Decadal Ensemble Generation With Flow Matching
• Title（参考訳）: ArchesClimate:フローマッチングによる確率論的デカドカルアンサンブル生成
• Authors: Graham Clyne, Guillaume Couairon, Guillaume Gastineau, Claire Monteleoni, Anastase Charantonis,
• Abstract要約: 本稿では,気候モデルシミュレーションのコスト削減を目的とした,深層学習に基づく気候モデルエミュレータArcesClimateを紹介する。 ArchesClimateは、IPSL-CM6A-LR気候モデルの遅延ヒンドキャストを約2.5x1.25°の空間分解能で訓練する。 いくつかの重要な気候変数に対して、ArceClimateはIPSLモデルと交換可能なシミュレーションを生成する。
• 参考スコア（独自算出の注目度）: 7.758482151941547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate projections have uncertainties related to components of the climate system and their interactions. A typical approach to quantifying these uncertainties is to use climate models to create ensembles of repeated simulations under different initial conditions. Due to the complexity of these simulations, generating such ensembles of projections is computationally expensive. In this work, we present ArchesClimate, a deep learning-based climate model emulator that aims to reduce this cost. ArchesClimate is trained on decadal hindcasts of the IPSL-CM6A-LR climate model at a spatial resolution of approximately 2.5x1.25 degrees. We train a flow matching model following ArchesWeatherGen, which we adapt to predict near-term climate. Once trained, the model generates states at a one-month lead time and can be used to auto-regressively emulate climate model simulations of any length. We show that for up to 10 years, these generations are stable and physically consistent. We also show that for several important climate variables, ArchesClimate generates simulations that are interchangeable with the IPSL model. This work suggests that climate model emulators could significantly reduce the cost of climate model simulations.
• Abstract（参考訳）: 気候予測は、気候システムの構成要素とその相互作用に関連する不確実性を持っている。 これらの不確実性を定量化するための典型的なアプローチは、異なる初期条件下で繰り返しシミュレーションのアンサンブルを作成するために気候モデルを使用することである。 これらのシミュレーションの複雑さのため、このような射影のアンサンブルを生成するのは計算コストがかかる。 本研究では,このコスト削減を目的とした,ディープラーニングに基づく気候モデルエミュレータArchesClimateを紹介する。 ArchesClimateは、IPSL-CM6A-LR気候モデルの遅延ヒンドキャストを約2.5x1.25°の空間分解能で訓練する。 ArchesWeatherGenに従ってフローマッチングモデルをトレーニングし、短期的な気候予測に適応する。 一度トレーニングされると、モデルは1ヶ月のリードタイムで状態を生成し、任意の長さの気候モデルシミュレーションを自動回帰的にエミュレートするために使用することができる。 最大10年間、これらの世代は安定しており、物理的に一貫性があることが示されています。 また、いくつかの重要な気候変数に対して、ArceClimateはIPSLモデルと交換可能なシミュレーションを生成する。 この研究は、気候モデルエミュレータが気候モデルシミュレーションのコストを大幅に削減できることを示唆している。

関連論文リスト

• Causal Climate Emulation with Bayesian Filtering [17.110430055067756]
  我々は因果表現学習に基づく解釈可能な気候モデルエミュレータを開発した。 安定な自己回帰エミュレーションのためのベイズフィルタを含む物理インフォームドアプローチを導出する。
  論文  参考訳（メタデータ） (2025-06-11T16:00:55Z)
• Machine learning emulation of precipitation from km-scale regional climate simulations using a diffusion model [22.255982502297197]
  高解像度の気候シミュレーションは気候変動の影響を理解するのに有用である。 CPMGEMは2.2km分解能の地域CPMによる降水シミュレーションをはるかに低コストでシミュレートする。 運転する地球規模の気候モデルの60kmの解像度で入力を受け取り、これらを8.8kmまでダウンスケールし、平均時分解能を持つ。
  論文  参考訳（メタデータ） (2024-07-19T09:42:20Z)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• ClimateSet: A Large-Scale Climate Model Dataset for Machine Learning [26.151056828513962]
  気候モデルは、気候変動の影響を評価し、将来の気候シナリオをシミュレートするための鍵となっている。 機械学習(ML)コミュニティは、気候モデルエミュレーション、ダウンスケーリング、予測タスクといった様々なタスクにおける気候科学者の取り組みを支援することへの関心が高まっている。 ここでは、入力4MIPとCMIP6アーカイブから36の気候モデルの入力と出力を含むデータセットであるClimateSetを紹介する。
  論文  参考訳（メタデータ） (2023-11-07T04:55:36Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• Towards Learned Emulation of Interannual Water Isotopologue Variations in General Circulation Models [2.161227459325287]
  本研究では, 降水時の酸素同位体組成の明示的な物理に基づくシミュレーションを, 機械学習を用いて置き換える可能性を検討する。 我々は、UNetアーキテクチャの成功に基づいて畳み込みニューラルネットワーク(CNN)を実装し、球面ネットワークアーキテクチャが地球の緯度-経度格子を平坦な画像として扱うという単純なアプローチよりも優れているかどうかをテストする。
  論文  参考訳（メタデータ） (2023-01-31T07:54:52Z)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)

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。