論文の概要: Field-Space Autoencoder for Scalable Climate Emulators

• arxiv url: http://arxiv.org/abs/2601.15102v1
• Date: Wed, 21 Jan 2026 15:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.42879
• Title: Field-Space Autoencoder for Scalable Climate Emulators
• Title（参考訳）: スケーラブル気候エミュレータのためのフィールド空間オートエンコーダ
• Authors: Johannes Meuer, Maximilian Witte, Étiénne Plésiat, Thomas Ludwig, Christopher Kadow,
• Abstract要約: 球面圧縮モデルに基づくスケーラブルな気候エミュレーションフレームワークを提案する。 Field-Space Attentionを利用することで、モデルはネイティブな気候モデル出力を効率的に操作する。 モデルは、豊富な低解像度データとスパース高解像度データから内部変数を同時に学習することができる。
• 参考スコア（独自算出の注目度）: 1.3048920509133806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kilometer-scale Earth system models are essential for capturing local climate change. However, these models are computationally expensive and produce petabyte-scale outputs, which limits their utility for applications such as probabilistic risk assessment. Here, we present the Field-Space Autoencoder, a scalable climate emulation framework based on a spherical compression model that overcomes these challenges. By utilizing Field-Space Attention, the model efficiently operates on native climate model output and therefore avoids geometric distortions caused by forcing spherical data onto Euclidean grids. This approach preserves physical structures significantly better than convolutional baselines. By producing a structured compressed field, it serves as a good baseline for downstream generative emulation. In addition, the model can perform zero-shot super-resolution that maps low-resolution large ensembles and scarce high-resolution data into a shared representation. We train a generative diffusion model on these compressed fields. The model can simultaneously learn internal variability from abundant low-resolution data and fine-scale physics from sparse high-resolution data. Our work bridges the gap between the high volume of low-resolution ensemble statistics and the scarcity of high-resolution physical detail.
• Abstract（参考訳）: キロメータースケールの地球系モデルは、局所的な気候変動を捉えるのに不可欠である。 しかし、これらのモデルは計算コストが高く、ペタバイト規模の出力を生成するため、確率的リスクアセスメントのような応用には限界がある。 本稿では,これらの課題を克服する球面圧縮モデルに基づくスケーラブルな気候エミュレーションフレームワークであるフィールド空間オートエンコーダを提案する。 Field-Space Attentionを利用することで、モデルはネイティブ気候モデル出力を効率的に操作し、球面データをユークリッド格子に強制することによって生じる幾何学的歪みを回避する。 このアプローチは、畳み込みベースラインよりも物理構造を著しく保存する。 構造化された圧縮場を創出することにより、下流生成エミュレーションのための良いベースラインとして機能する。 さらに、このモデルは低解像度の大アンサンブルをマッピングし、高解像度データを共有表現に変換するゼロショット超解像を行うことができる。 これらの圧縮フィールド上で生成拡散モデルを訓練する。 このモデルでは, 少ない高分解能データから, 豊富な低分解能データから内部変動を同時に学習することができる。 我々の研究は、高解像度のアンサンブル統計量と高解像度の物理ディテールの不足の間のギャップを埋めるものである。

関連論文リスト

• Toward generative machine learning for boosting ensembles of climate simulations [0.0]
  気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。 cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-06T00:54:19Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• $\infty$-Brush: Controllable Large Image Synthesis with Diffusion Models in Infinite Dimensions [58.42011190989414]
  無限次元における新しい条件拡散モデル、制御可能な大画像合成のための$infty$-Brushを導入する。 我々の知る限り、$infty$-Brushは関数空間における最初の条件拡散モデルであり、最大4096times4096$ピクセルの任意の解像度で画像を制御できる。
  論文  参考訳（メタデータ） (2024-07-20T00:04:49Z)
• Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
  本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。 この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-21T18:25:04Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures Emulation [13.745581787463962]
  本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。 本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。 この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
  論文  参考訳（メタデータ） (2023-07-14T08:43:36Z)
• Fourier Neural Operators for Arbitrary Resolution Climate Data Downscaling [16.890326773246414]
  本稿では,フーリエニューラル演算子に基づくダウンスケーリング手法を提案する。 提案手法は, 最先端の畳み込みモデルおよび生成的対向性ダウンスケーリングモデルより有意に優れていることを示す。 全体として、我々の研究は物理過程のシミュレーションと低解像度出力のギャップを埋める。
  論文  参考訳（メタデータ） (2023-05-23T18:25:08Z)
• 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)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment [130.84010267004803]
  限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
  論文  参考訳（メタデータ） (2022-03-06T14:26:25Z)
• Learning the structure of wind: A data-driven nonlocal turbulence model for the atmospheric boundary layer [0.0]
  我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。 このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
  論文  参考訳（メタデータ） (2021-07-23T06:41:33Z)

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。