論文の概要: Bridging the Gap Between Climate Science and Machine Learning in Climate Model Emulation

• arxiv url: http://arxiv.org/abs/2603.22320v1
• Date: Fri, 20 Mar 2026 10:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.057384
• Title: Bridging the Gap Between Climate Science and Machine Learning in Climate Model Emulation
• Title（参考訳）: 気候モデルエミュレーションにおける気候科学と機械学習のギャップを埋める
• Authors: Luca Schmidt, Nina Effenberger,
• Abstract要約: 気候科学と機械学習の両方の観点を統合することで障壁を克服する枠組みを導入する。 明確に定義されたタスクに対処し,信頼性を示すエミュレータを設計することは,2つのフィールド間のギャップを埋める上で有望な方法であることがわかった。
• 参考スコア（独自算出の注目度）: 0.08594140167290099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While climate models provide insights for climate decision-making, their use is constrained by significant computational and technical demands. Although machine learning (ML) emulators offer a way to bypass the high computational costs, their effective use remains challenging. The hurdles are diverse, ranging from limited accessibility and a lack of specialized knowledge to a general mistrust of ML methods that are perceived as insufficiently physical. Here, we introduce a framework to overcome these barriers by integrating both climate science and machine learning perspectives. We find that designing easy-to-adopt emulators that address a clearly defined task and demonstrating their reliability offers a promising path for bridging the gap between our two fields.
• Abstract（参考訳）: 気候モデルは気候決定のための洞察を提供するが、それらの利用は計算と技術的要求によって制限される。 機械学習(ML)エミュレータは高い計算コストを回避できるが、有効利用は依然として難しい。 ハードルは様々であり、限られたアクセシビリティや専門知識の欠如から、不十分な物理的と見なされるMLメソッドに対する一般的な不信まで様々である。 本稿では,気候科学と機械学習の両面を統合することで,これらの障壁を克服する枠組みを導入する。 明確に定義されたタスクに対処し,信頼性を示すエミュレータを設計することは,2つのフィールド間のギャップを埋める上で有望な方法であることがわかった。

関連論文リスト

• Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System Model Fields with Generative Machine Learning [0.0]
  高分解能地球モデル(ESM)シミュレーションは、人為的気候変動の生態学的および社会経済的影響を評価するために不可欠である。 最近の機械学習アプローチは、ESMシミュレーションのダウンスケールにおいて有望な結果を示し、最先端の統計手法よりも優れている。 ゼロショット方式で再トレーニングすることなく、任意のESMシミュレーションを効率的に正確にダウンスケールする一貫性モデル(CM)を学習することで、これらの欠点に対処する。
  論文  参考訳（メタデータ） (2024-03-05T08:41:41Z)
• Towards Causal Representations of Climate Model Data [18.82507552857727]
  この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。 以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
  論文  参考訳（メタデータ） (2023-12-05T16:13:34Z)
• 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)
• 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)

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。