論文の概要: Learning Prognostic Variables for AI Convective Parameterizations via Symbolic Distillation

• arxiv url: http://arxiv.org/abs/2609.24882v1
• Date: Mon, 21 Sep 2026 16:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.419613
• Title: Learning Prognostic Variables for AI Convective Parameterizations via Symbolic Distillation
• Title（参考訳）: シンボリック蒸留によるAI対流パラメータ化のための確率変数の学習
• Abstract要約: ハイブリッドAI物理気候モデリングは、高忠実度データからサブグリッドプロセスのパラメータ化を学ぶことで、粗い(100km分解能)地球系モデルを改善することを目的としている。 我々は,重要かつ付加的な過去の情報をコンパクトに伝達する確率変数を学習することにより,時間内局所パラメータ化を強化する。 本研究は,ロレンツ-96モデル(オンライン)と高分解能大気シミュレーションによる表面降雨の2つのシステムについて評価する。
• 参考スコア（独自算出の注目度）: 0.10234447458144164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid AI-physics climate modeling aims to improve coarse (~100km-resolution) Earth system models by learning to parameterize subgrid processes from high-fidelity data. However, this so far mostly involves local-in-time, diagnostic parameterizations, in which the subgrid state depends only on the current coarse state with no memory of previous states, which is unrealistic for processes such as convection that have intrinsic persistence. To address this, we enhance local-in-time parameterizations by learning prognostic variables that compactly carry important, additional past information where no explicit sub-grid information is available. First we compress past information into a low-dimensional latent space using an autoencoder, which then informs a neural network trained to parameterize targeted subgrid-scale processes. We then replace the autoencoder with symbolic equations that govern the time evolution of the latent variables, yielding additional prognostic memory variables that can be integrated alongside the resolved atmospheric state. We evaluate this approach on two systems: the Lorenz-96 model (online) and surface precipitation from high-resolution atmospheric simulations (offline). A forced multivariate linear ordinary differential equation recovers most of the added value achieved by the autoencoder-based approach in both experiments. Benchmarked against diagnostic parameterizations without memory, our memory-informed approach improves climate statistics and temporal structure, including a realistic diurnal cycle of tropical land precipitation.
• Abstract（参考訳）: ハイブリッドAI物理気候モデリングは、高忠実度データからサブグリッドプロセスのパラメータ化を学ぶことで、粗い(約100km)地球系モデルを改善することを目的としている。 しかし、これは主に、局所的な時間的診断パラメータ化であり、サブグリッド状態は以前の状態のメモリを持たない現在の粗い状態にのみ依存しており、本質的に永続性を持つ対流のようなプロセスでは非現実的である。 これを解決するために、我々は、明示的なサブグリッド情報が得られない、より重要で付加的な過去の情報をコンパクトに搬送する確率変数を学習することで、ローカル・イン・タイムのパラメータ化を強化する。 まず、オートエンコーダを用いて、過去の情報を低次元の潜在空間に圧縮し、ターゲットとするサブグリッドスケールプロセスのパラメータ化をトレーニングしたニューラルネットワークに通知する。 次に、自己エンコーダを、潜伏変数の時間的進化を制御し、分解された大気状態と一体化できる追加の確率的メモリ変数を生成するシンボリック方程式に置き換える。 本研究は,ロレンツ-96モデル(オンライン)と高分解能大気シミュレーション(オフライン)による表面降雨の2つのシステム上でのアプローチを評価する。 強制多変量線形常微分方程式は、両方の実験でオートエンコーダに基づくアプローチによって得られた付加値のほとんどを回復する。 記憶のない診断パラメータ化に比較して、私たちのメモリインフォームドアプローチは、熱帯の降雨の現実的な日周期を含む気候統計と時間構造を改善します。

関連論文リスト

• AE-ViT: Stable Long-Horizon Parametric Partial Differential Equations Modeling [0.0]
  本稿では、畳み込みエンコーダと、潜在表現を操作するトランスフォーマーと、再構成のためのデコーダからなるジョイントモデルを提案する。 提案手法は,潜在進化の効率と全フィールドモデルの忠実さを組み合わせ,多フィールド予測におけるDL-ROM,潜伏変圧器,平VTの性能を向上する。
  論文  参考訳（メタデータ） (2026-04-07T21:19:45Z)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Paraformer: Parameterization of Sub-grid Scale Processes Using Transformers [6.622831012413507]
  我々は、気候パラメータ化のために作成された最大のデータセットであるClimSim上で、"メモリ対応"トランスフォーマーベースのモデルを提案する。 この結果から,提案モデルがサブグリッドスケール変数の複雑な非線形依存性を捕捉できることが示唆された。
  論文  参考訳（メタデータ） (2024-12-21T20:21:52Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
  トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。 最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。 本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
  論文  参考訳（メタデータ） (2023-07-13T08:35:40Z)
• Resampling with neural networks for stochastic parameterization in multiscale systems [0.0]
  本研究では,完全に解決されたシミュレーションから観測データや参照データの条件再サンプリングを行う機械学習手法を提案する。 これは、マクロ変数を条件とした参照データのサブセットの確率的分類に基づいている。 我々は,2つのパラメータ設定を用いて,Lorenz 96システムに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-03T10:09:18Z)

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。