論文の概要: Sensitivity Analysis for Climate Science with Generative Flow Models

• arxiv url: http://arxiv.org/abs/2511.00663v1
• Date: Sat, 01 Nov 2025 18:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.884077
• Title: Sensitivity Analysis for Climate Science with Generative Flow Models
• Title（参考訳）: 生成フローモデルによる気候科学の感度解析
• Authors: Alex Dobra, Jakiw Pidstrigach, Tim Reichelt, Paolo Fraccaro, Johannes Jakubik, Anne Jones, Christian Schroeder de Witt, Philip Stier, Philip Torr,
• Abstract要約: 感度分析は気候科学の基盤であり、嵐の強度から長期の気候フィードバックまでの現象を理解するのに不可欠である。 現代のAIベースの生成モデルは、評価が桁違い速くなっているが、それらを用いたコンピューティングの感度は、依然として大きなボトルネックとなっている。 本研究は、生成フローモデルにおける勾配の計算に随伴状態法を適用することにより、この問題に対処する。 本稿では,モデル自身の出力に対して計算された感度を定量的に評価するための,新しい勾配自己整合性チェックを提案する。
• 参考スコア（独自算出の注目度）: 21.631371084810322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensitivity analysis is a cornerstone of climate science, essential for understanding phenomena ranging from storm intensity to long-term climate feedbacks. However, computing these sensitivities using traditional physical models is often prohibitively expensive in terms of both computation and development time. While modern AI-based generative models are orders of magnitude faster to evaluate, computing sensitivities with them remains a significant bottleneck. This work addresses this challenge by applying the adjoint state method for calculating gradients in generative flow models, with diffusion models as a special case. We apply this method to the cBottle generative model, an emulator of ERA5 data, to perform sensitivity analysis with respect to sea surface temperatures. Furthermore, we propose a novel gradient self-consistency check to quantitatively validate the computed sensitivities against the model's own outputs. Our results provide initial evidence that this approach can produce reliable gradients, reducing the computational cost of sensitivity analysis from weeks on a supercomputer with a physical model to hours on a GPU, thereby simplifying a critical workflow in climate science.
• Abstract（参考訳）: 感度分析は気候科学の基盤であり、嵐の強度から長期の気候フィードバックまでの現象を理解するのに不可欠である。 しかし、従来の物理モデルを用いてこれらの感性を計算することは、計算時間と開発時間の両方の観点からは違法に高価であることが多い。 現代のAIベースの生成モデルは、評価が桁違い速くなっているが、それらを用いたコンピューティングの感度は、依然として大きなボトルネックとなっている。 本研究は, 拡散モデルを用いた生成流れモデルの勾配計算に随伴状態法を適用することで, この課題に対処する。 本研究では,ERA5データのエミュレータであるcBottle生成モデルに適用し,海面温度に対する感度解析を行う。 さらに、モデル自身の出力に対して計算された感度を定量的に検証する、新しい勾配自己整合性チェックを提案する。 提案手法は,物理モデルを持つスーパーコンピュータ上での数週間の感度解析の計算コストをGPU上での数時間に削減し,気候科学における重要なワークフローを簡素化する。

関連論文リスト

• A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
  気象学における多くの問題は、AIモデルを使って解決できる。 データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。 本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-04-19T04:31:35Z)
• 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)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators [0.0]
  本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。 直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。 その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
  論文  参考訳（メタデータ） (2023-07-04T16:17:59Z)
• 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)
• Physics-constrained deep learning postprocessing of temperature and humidity [0.0]
  深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。 熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
  論文  参考訳（メタデータ） (2022-12-07T09:31:25Z)
• Machine learning emulation of a local-scale UK climate model [22.374171443798037]
  我々は,高解像度降雨の現実的なサンプルを生成できる機械学習モデルを初めて示す。 自己学習型位置情報を低分解能の相対渦性, 量子および試料の時間平均に付加することにより, 高分解能シミュレーションとよく一致した。
  論文  参考訳（メタデータ） (2022-11-29T11:44:35Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame Kernel Direct Numerical Simulation Data [0.0]
  この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。 その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-28T15:27:46Z)

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。