論文の概要: Calibration of a neural network ocean closure for improved mean state and variability

• arxiv url: http://arxiv.org/abs/2604.06398v1
• Date: Tue, 07 Apr 2026 19:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.207892
• Title: Calibration of a neural network ocean closure for improved mean state and variability
• Title（参考訳）: ニューラルネットワーク海洋閉鎖の校正による平均状態と変動性の改善
• Authors: Pavel Perezhogin, Alistair Adcroft, Laure Zanna,
• Abstract要約: 我々は,2つの理想的な海洋モデルにおけるメソスケール渦のニューラルネットワークパラメータ化のパラメータを粗い解像度で最適化する。 キャリブレーションパラメータ化は, 平均流体界面の誤差と変動率を約2倍に低減する。 これらの結果から, 体系的なキャリブレーションにより, 粗大分解能海洋シミュレーションを大幅に改善できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.5423054147964751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global ocean models exhibit biases in the mean state and variability, particularly at coarse resolution, where mesoscale eddies are unresolved. To address these biases, parameterization coefficients are typically tuned ad hoc. Here, we formulate parameter tuning as a calibration problem using Ensemble Kalman Inversion (EKI). We optimize parameters of a neural network parameterization of mesoscale eddies in two idealized ocean models at coarse resolution. The calibrated parameterization reduces errors in the time-averaged fluid interfaces and their variability by approximately a factor of two compared to the unparameterized model or the offline-trained parameterization. The EKI method is robust to noise in time-averaged statistics arising from chaotic ocean dynamics. Furthermore, we propose an efficient calibration protocol that bypasses integration to statistical equilibrium by carefully choosing an initial condition. These results demonstrate that systematic calibration can substantially improve coarse-resolution ocean simulations and provide a practical pathway for reducing biases in global ocean models.
• Abstract（参考訳）: グローバルオーシャンモデルは、特にメソスケール渦が未解決の粗い解像度において、平均状態と変動性のバイアスを示す。 これらのバイアスに対処するため、パラメータ化係数は通常アドホックに調整される。 本稿では,Ensemble Kalman Inversion (EKI) を用いてパラメータチューニングをキャリブレーション問題として定式化する。 我々は,2つの理想的な海洋モデルにおけるメソスケール渦のニューラルネットワークパラメータ化のパラメータを粗い解像度で最適化する。 キャリブレーションパラメータ化は, 時間平均流体界面の誤差と変動率を, 非パラメータ化モデルやオフライン学習パラメータ化と比較して約2倍に低減する。 EKI法はカオス海洋力学から生じる時間平均統計学においてノイズに対して頑健である。 さらに,初期条件を慎重に選択することで,統計平衡への積分を回避できる効率的な校正プロトコルを提案する。 これらの結果は,大洋モデルにおいて,大洋シミュレーションの体系的校正が著しく改善し,偏りを低減させる実用的な経路を提供することを示す。

関連論文リスト

• Towards fully differentiable neural ocean model with Veros [8.204579381159597]
  我々はVEROS海洋モデルの微分可能な拡張を提案し、その動的コアによる自動微分を可能にした。 本稿では、JAX自動微分フレームワークとの完全互換化に必要な重要な変更点について述べ、結果の実装の数値的整合性を評価する。
  論文  参考訳（メタデータ） (2025-11-21T17:24:00Z)
• The Ensemble Kalman Inversion Race [0.0]
  エンサンブルカルマン法は、当初海洋学における非線形データ同化問題を解くために開発された。 我々は、モデル化された気候統計と観測された気候統計のミスフィットを最小限に抑え、気候モデルパラメータの学習に重点を置いている。 重要な疑問は、どのアンサンブル・カルマン法を気候モデルキャリブレーションに使用するべきかである。
  論文  参考訳（メタデータ） (2025-11-19T20:18:40Z)
• Climate Model Tuning with Online Synchronization-Based Parameter Estimation [0.0]
  我々は,大域大気モデルを調整するために同期を利用するパラメータ推定アルゴリズムの可能性を示す。 次に、スーパーモデルアンサンブルの各部材の重みにアルゴリズムを適用し、全体の予測を最適化する。 本稿では,アダプティブ・スーパーモデリング(Adaptive Supermodeling)と呼ばれる2つの手法を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-10-07T17:43:11Z)
• Sample Margin-Aware Recalibration of Temperature Scaling [20.87493013833571]
  近年のディープラーニングの進歩は予測精度を大幅に改善した。 現代のニューラルネットワークは体系的に過信され、安全クリティカルなシナリオに展開するリスクを生じさせる。 本稿では,上位2つのロジット間のマージンに基づいて,ロジットを正確にスケールする軽量でデータ効率の高いリカバリ手法を提案する。
  論文  参考訳（メタデータ） (2025-06-30T03:35:05Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
  本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。 提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
  論文  参考訳（メタデータ） (2022-12-07T10:01:11Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)

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。