論文の概要: Assessing Emulator Design and Training for Modal Aerosol Microphysics Parameterizations in E3SMv2

• arxiv url: http://arxiv.org/abs/2604.21233v1
• Date: Thu, 23 Apr 2026 02:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.271226
• Title: Assessing Emulator Design and Training for Modal Aerosol Microphysics Parameterizations in E3SMv2
• Title（参考訳）: E3SMv2におけるモルタルエアロゾルマイクロ物理パラメータ化のエミュレータ設計と訓練の評価
• Abstract要約: 我々は、エネルギ・エクサスケール地球系モデル2(E3SMv2)における雲のない条件下でのエアロゾル微物理過程のエミュレーションを探索する。 その結果,最適化収束,スケーリング戦略,ネットワーク複雑性がエミュレーション精度に強く影響していることが示唆された。
• 参考スコア（独自算出の注目度）: 4.128876299109293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Toward the goal of using Scientific Machine Learning (SciML) emulators to improve the numerical representation of aerosol processes in global atmospheric models, we explore the emulation of aerosol microphysics processes under cloud-free conditions in the 4-mode Modal Aerosol Module (MAM4) within the Energy Exascale Earth System Model version 2 (E3SMv2). To develop an in-depth understanding of the challenges and opportunities in applying SciML to aerosol processes, we begin with a simple feedforward neural network architecture that has been used in earlier studies, but we systematically examine key emulator design choices, including architecture complexity and variable normalization, while closely monitoring training convergence behavior. Our results show that optimization convergence, scaling strategy, and network complexity strongly influence emulation accuracy. When effective scaling is applied and convergence is achieved, the relatively simple architecture, used together with a moderate network size, can reproduce key features of the microphysics-induced aerosol concentration changes with promising accuracy. These findings provide practical clues for the next stages of emulator development; they also provide general insights that are likely applicable to the emulation of other aerosol processes, as well as other atmospheric physics involving multi-scale variability.
• Abstract（参考訳）: 大気モデルにおけるエアロゾルプロセスの数値表現を改善するためにSciMLエミュレータを使用する目的に向けて,エネルギ・エクサスケール地球系モデル2 (E3SMv2) 内の4モードモードのムーダルエアロゾルモジュール (MAM4) 内の雲のない条件下でのエアロゾルマイクロ物理プロセスのエミュレーションについて検討する。 エアロゾルプロセスにSciMLを適用する際の課題と機会を深く理解するために,従来研究で用いられてきた単純なフィードフォワードニューラルネットワークアーキテクチャから始める。 その結果,最適化収束,スケーリング戦略,ネットワーク複雑性がエミュレーション精度に強く影響していることが示唆された。 有効スケーリングが適用され収束が達成されると、比較的単純なアーキテクチャは、適度なネットワークサイズとともに、望ましくない精度で微小物理学によるエアロゾル濃度変化の鍵となる特徴を再現することができる。 これらの発見は、エミュレータ開発の次の段階での実践的な手がかりとなり、また、他のエアロゾルプロセスのエミュレーションや、マルチスケールの変動性を含む他の大気物理学にも適用可能な一般的な知見を提供する。

関連論文リスト

• Optimal scenario design for climate emulation [1.759008116536278]
  トレーニングデータの生成に一般的に使用される既存のシナリオにおける構造的多様性の低さが,予測スキルの天井となることを示す。 我々は,新しい,構造的に異なるシナリオに一般化可能なエミュレータを生成するデータセットを作成する方法を提案する。 より小さなデータセットでのトレーニングにもかかわらず、この高い予測スキルを達成する。
  論文  参考訳（メタデータ） (2026-06-17T17:26:22Z)
• Faster Thermal Profiling of a Lunar Rover with Machine Learning Adapted Finite Difference Model [3.3836709236378746]
  本稿では,内部熱源を有する簡易月面ローバーの熱解析のためのPIMLフレームワークを提案する。 微分可能な有限差分熱シミュレータをフレームワーク内に組み込んで物理的一貫性を強制する。 その結果,PIMLフレームワークは粗いメッシュ物理モデルと比較して予測精度を50%, 39%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-05-26T20:11:06Z)
• Designing an Optimal Sensor Network via Minimizing Information Loss [41.94684238665305]
  本研究では,プロセス監視のためのセンサの設計について検討し,モデリングと最適化における時間次元を明確に考慮する。 本稿では,高効率な最適化アルゴリズムとともに,新しいモデルに基づくセンサ配置基準を提案する。 我々は,アリゾナ州フェニックスの大気温度を計測するケーススタディを通じて,最新の物理シミュレーションを用いて検証を行った。
  論文  参考訳（メタデータ） (2025-12-05T18:38:30Z)
• Benchmarking atmospheric circulation variability in an AI emulator, ACE2, and a hybrid model, NeuralGCM [0.0]
  物理に基づく、所定の海面温度を持つ大気圏モデルは、顕著な成功であるが、観測と比較して大気の変動を示す能力にもバイアスがある。 近年、AIエミュレータとハイブリッドモデルが登場し、これらのバイアスを克服する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-10-06T03:42:18Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• The impact of internal variability on benchmarking deep learning climate emulators [2.3342885570554652]
  完全複雑地球系モデル(ESM)は計算に非常に高価であり、複数の放出経路の気候結果の探索に使用を制限している。 ESMを近似したより効率的なエミュレータは、排出ガスを直接気候の結果にマッピングすることができ、ベンチマークを使用して標準化されたタスクやデータセットの精度を評価する。 我々は、データ駆動型気候エミュレーションの一般的なベンチマークであるClimateBenchを調査し、ディープラーニングベースのエミュレータが現在、最高のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-09T18:17:17Z)
• 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)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Leveraging generative adversarial networks to create realistic scanning transmission electron microscopy images [2.5954872177280346]
  機械学習は、自律的なデータ収集と処理を通じて材料研究に革命をもたらす可能性がある。 我々は,実空間周波数情報を用いたシミュレーションデータを増大させるために,相互空間判別器を備えたサイクル生成逆数ネットワーク(CycleGAN)を用いる。 完全な畳み込みネットワーク(FCN)をトレーニングして、450万個の原子データセット内の単一原子欠陥を同定することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-18T19:19:27Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Learning Mesh-Based Simulation with Graph Networks [20.29893312074383]
  グラフニューラルネットワークを用いたメッシュベースのシミュレーション学習フレームワークであるMeshGraphNetsを紹介する。 その結果, 空気力学, 構造力学, 布など, 幅広い物理系の力学を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2020-10-07T13:34:49Z)

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。