論文の概要: Calibrating subgrid parametrizations of single-column ocean models via simulation-based inference

• arxiv url: http://arxiv.org/abs/2609.13242v1
• Date: Thu, 03 Sep 2026 13:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.524699
• Title: Calibrating subgrid parametrizations of single-column ocean models via simulation-based inference
• Title（参考訳）: シミュレーションベース推論による単一カラム海洋モデルのキャリブレーションサブグリッドパラメトリゼーション
• Abstract要約: 海洋モデルにおける垂直混合のサブグリッドパラメトリゼーションは直接測定できない自由係数に依存する。 既存のアプローチはポイント推定を返却し、関連する不確実性は不適切なままにしておく。 提案手法では, 計算可能な確率を必要とせず, 全後方パラメータを近似するためにシミュレーションベース推論を用いる。
• 参考スコア（独自算出の注目度）: 0.7212934161201329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subgrid parametrizations of vertical mixing in ocean models depend on free coefficients that cannot be measured directly and must be calibrated against high-fidelity references such as large-eddy simulations (LES). Existing approaches return point estimates and leave the associated uncertainty unquantified, a limitation when the inverse problem is ill-posed or when distinct parameter configurations fit the data comparably well. Simulation-based inference (SBI) addresses exactly this: given a prior and access to the simulator, it approximates the full posterior over parameters without requiring a tractable likelihood, at a cost set by the number of simulator evaluations. We apply it to \texttt{tunax}, a JAX-based single-column ocean model, to calibrate the coefficients of its $k$--$\varepsilon$ closure. A blockwise PCA summary statistic compresses the simulator output along the depth axis while preserving its forcing--horizon--variable structure, making inference tractable at modest budgets. We compare neural posterior estimation and its sequential variants against a recent training-free approach built on a tabular foundation model. The latter recovers informative posteriors from a few hundred simulator calls, outperforming the trained estimators at every budget considered.
• Abstract（参考訳）: 海洋モデルにおける垂直混合のサブグリッドパラメトリゼーションは直接測定できない自由係数に依存しており、大渦シミュレーション(LES)のような高忠実度基準に対して校正する必要がある。 既存のアプローチでは、逆問題や異なるパラメータ構成がデータに相性よく適合する場合の制限として、返却点の推定と関連する不確実性を未定のまま残している。 シミュレーションベースの推論(SBI)は、プリミティブとシミュレータへのアクセスが与えられた場合、シミュレータ評価の数によって設定されたコストで、トラクタブルな確率を必要とせずに、完全な後方パラメータを近似する。 我々は、JAX ベースの単一カラム海洋モデルである texttt{tunax} に適用し、その$k$-$\varepsilon$クロージャの係数をキャリブレーションする。 表層基礎モデル上に構築された最近のトレーニングフリーアプローチと比較して,神経後部推定とその逐次的変動について比較した。 後者は数百のシミュレーターコールから情報的な後部を回復し、考慮された予算ごとに訓練された推定値を上回る。

関連論文リスト

• Flow Matching for Robust Simulation-Based Inference under Model Misspecification [11.172752919335394]
  Flow Matching Corrected Posterior Estimation(フローマッチング補正後推定)は、シミュレーションによって訓練された後部推定を、少数の実校正サンプルを用いて洗練するフレームワークである。 提案手法は,従来のSBIベースラインと比較して,推論精度と不確実性を向上し,不特定性の影響を常に緩和することを示す。
  論文  参考訳（メタデータ） (2025-09-27T16:10:53Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Amortized Bayesian Decision Making for simulation-based models [11.375835331641548]
  シミュレータ上でベイズ決定を行う方法に関する問題に対処する。 本手法は,シミュレーションデータ上にニューラルネットワークを学習し,予測コストを予測する。 次に,医療神経科学における実世界のシミュレーターにおける最適な行動を推測するために,本手法を適用した。
  論文  参考訳（メタデータ） (2023-12-05T11:29:54Z)
• Generalized Bayesian Inference for Scientific Simulators via Amortized Cost Estimation [11.375835331641548]
  ニューラルネットワークをトレーニングしてコスト関数を近似し、パラメータと観測データとの予測距離と定義する。 いくつかのベンチマークタスクにおいて、ACEはコストを正確に予測し、他のSBI法よりも合成観測に近い予測シミュレーションを提供する。
  論文  参考訳（メタデータ） (2023-05-24T14:45:03Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)

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。