論文の概要: Optimal scenario design for climate emulation

• arxiv url: http://arxiv.org/abs/2606.19302v1
• Date: Wed, 17 Jun 2026 17:26:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.287951
• Title: Optimal scenario design for climate emulation
• Title（参考訳）: 気候エミュレーションのための最適シナリオ設計
• Authors: Christopher B. Womack, Shahine Bouabid, Andrei Sokolov, Popat Salunke, Glenn Flierl, Sebastian D. Eastham, Noelle E. Selin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.759008116536278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As deep learning for physical systems continues to grow in popularity, efforts to improve generalizability have primarily focused on designing architectures that embed physical constraints. However, for machine-learning surrogate climate models (emulators), we show that the low structural diversity in existing scenarios commonly used to generate training data places a ceiling on predictive skill. Here, we examine whether training datasets themselves can be optimized to improve generalization. We introduce a method to create datasets that produce emulators capable of generalizing to new, structurally different scenarios absent from the training data. We use a differentiable Simple Climate Model (SCM) to calculate the sensitivity of emulator loss to perturbations in the training data, iteratively updating the training data to maximize emulator skill. For an SCM, training on one scenario optimized in this fashion outperforms an emulator trained on six standard ScenarioMIP pathways. We achieve this higher predictive skill despite training on a smaller dataset, finding that our emulator successfully isolates distinct physical behaviors of different climate forcing agents (e.g., greenhouse gases vs. aerosols) without single-forcing runs. We then demonstrate that scenarios optimized using an SCM, when used to drive an intermediate-complexity climate model, produce a training dataset that yields a more skillful emulator than training on ScenarioMIP outputs. Our results suggest that, in the compute-constrained environment of running full-scale climate models, generating a small number of dynamically rich scenarios provides greater marginal value for emulation and characterizing system responses than expanding the suite of traditional emissions pathways.
• Abstract（参考訳）: 物理システムの深層学習が普及し続けており、一般化性の向上への取り組みは主に物理的な制約を埋め込んだアーキテクチャの設計に焦点が当てられている。 しかし,機械学習シュロゲート気候モデル(エミュレータ)では,トレーニングデータの生成に一般的に用いられている既存のシナリオにおける構造的多様性が,予測スキルの天井となることを示す。 本稿では,学習データセット自体が一般化を改善するために最適化できるかどうかを検討する。 トレーニングデータから欠落する新たな,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。 我々は,エミュレータの損失に対するトレーニングデータの摂動に対する感度を計算するために,微分可能な簡易気候モデル(SCM)を用いて,トレーニングデータを反復的に更新し,エミュレータのスキルを最大化する。 SCMの場合、この方法で最適化された1つのシナリオでのトレーニングは、6つの標準ScenarioMIPパスでトレーニングされたエミュレータよりも優れている。 その結果,エミュレータは,単強制走行なしで異なる気候強制エージェント(例えば,温室効果ガスとエアロゾル)の異なる物理的挙動を分離できることが判明した。 次に、SCMを用いて最適化されたシナリオが、中間複雑気候モデルを駆動する際に、ScenarioMIP出力のトレーニングよりも高度なエミュレータを生成するトレーニングデータセットを生成することを実証する。 この結果から, 実規模気候モデルの実行環境において, 少数の動的にリッチなシナリオを生成することは, 従来の排ガス経路を拡大するよりも, システム応答のエミュレーションと特性化の限界値が大きいことが示唆された。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• 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)
• Simulation-Enhanced Data Augmentation for Machine Learning Pathloss Prediction [9.664420734674088]
  本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。 本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。 合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-02-03T00:38:08Z)
• Finding the Perfect Fit: Applying Regression Models to ClimateBench v1.0 [0.0]
  ClimateBenchは、気候データ用に設計された機械学習エミュレータのパフォーマンスを評価するためのベンチマークデータセットである。 本研究は、上記のデータセットを用いて非線形回帰モデルを評価することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-08-23T01:08:01Z)
• 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)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。