抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】