準地衡乱流パラメタリゼーションのための事後学習【JST・京大機械翻訳】

Frezat Hugo; Sommer Julien Le; Fablet Ronan; Balarac Guillaume; Lguensat Redouane

プレプリント

J-GLOBAL ID：202202207784326568 整理番号：22P0328333

準地衡乱流パラメタリゼーションのための事後学習【JST・京大機械翻訳】

A posteriori learning for quasi-geostrophic turbulence parametrization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月08日プレプリントサーバーでの情報更新日： 2022年11月24日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

気候モデルのためのサブグリッドパラメータ化を構築するための機械学習の利用は,注目を浴びている。最先端の戦略は,教師つき学習タスクとして問題に対処し,粗い解像度モデルから情報に基づくサブグリッドフラックスを予測するアルゴリズムを最適化する。実際に,粗い分解能シミュレーションを模倣するために,より高い解像度数値シミュレーションから訓練データを生成した。本質的に,これらの戦略はサブグリッドパラメータ化を最適化し,いわゆる先験的基準を満たす。しかし,サブグリッドパラメータ化の実際の目的は,全モデル軌跡の計算を暗示する事後計量の面で良好な性能を得ることである。本論文では,二次元準地栄養乱流におけるエネルギー後方散乱の表現に焦点を当て,固定計算複雑度における異なる学習戦略で得られたパラメータ化を比較した。先験的基準に基づく戦略は,直接シミュレーションにおいて不安定になる傾向があるパラメータ化をもたらし,サブグリッドパラメータ化がどのように事後基準を満たすためにエンドツーエンドに訓練されたかを記述する。エンドツーエンド学習戦略が,性能,安定性,および異なる流れ構成に適用する能力に関して,既知の経験的およびデータ駆動方式より優れた性能を持つパラメータ化を生成することを例証した。これらの結果は,将来における気候モデルに対する微分可能なプログラミングパラダイムの妥当性を支持する。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

人工知能

前のページに戻る