Fugu-MT 論文翻訳(概要): Bridging the Gap Between Climate Science and Machine Learning in Climate Model Emulation

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
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

Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
論文参考訳（メタデータ） (2026-03-31T13:29:20Z)
CERA: A Framework for Improved Generalization of Machine Learning Models to Changed Climates [1.205087107092304]
気候変動下でのロバストな一般化は、気候変動科学における機械学習応用の大きな課題である。本稿では,自動エンコーダによる機械学習フレームワークCERA(Climate-invariant climate representation through Representation)を提案する。 CERAは、+4K気候からのラベル付きデータをトレーニングすることなく、ラベル付き制御気候データとラベルなし温度気候入力を活用して、より暖かい気候への一般化を改善する。
論文参考訳（メタデータ） (2025-08-15T20:28:04Z)
Modeling chaotic Lorenz ODE System using Scientific Machine Learning [1.4633779950109127]
本稿では,SciML(SciML)手法を基礎的な気象モデルに統合する。物理気候モデルの解釈可能性とニューラルネットワークの計算能力を組み合わせることで、SciMLモデルは気候をモデル化するための信頼できるツールであることが証明できる。
論文参考訳（メタデータ） (2024-10-09T01:17:06Z)
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)
Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文参考訳（メタデータ） (2023-06-04T18:14:18Z)
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)
Climate-Invariant Machine Learning [0.8831201550856289]
現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-14T07:02:57Z)
Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文参考訳（メタデータ） (2021-06-18T16:23:13Z)
Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文参考訳（メタデータ） (2021-01-11T15:54:48Z)
DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。