Core Concepts
物理ベースのニューラルネットワークモデルを用いて、従来の気象・気候予測モデルと同等以上の精度を達成した。
Abstract
本研究では、物理ベースのニューラルネットワークモデル「NeuralGCM」を開発し、気象予報と気候予測の両方において、従来の物理ベースモデルや機械学習モデルと同等以上の精度を示した。
NeuralGCMは、大規模な大気の力学を解く微分可能なソルバーと機械学習コンポーネントを組み合わせたモデルである。1日から15日先までの気象予報では、欧州中期気象予報センターのアンサンブル予報と同等の精度を示した。また、海面水温を与えた条件下で数十年間の気候変動を追跡することができ、熱帯低気圧の発生頻度や軌道などの現象を再現できることが示された。
さらに、NeuralGCMは従来の物理ベースモデルに比べて計算コストが1桁以上低いという利点もある。ただし、大幅な気候変動には外挿できない課題も残されている。
本研究の成果は、物理ベースのシミュレーションと機械学習の融合により、気象・気候予測の精度向上と計算コストの削減が可能であることを示している。
Stats
NeuralGCMは従来の物理ベースモデルに比べて1桁以上の計算コスト削減を実現した。
NeuralGCMの1日から15日先の気象予報は、欧州中期気象予報センターのアンサンブル予報と同等の精度を示した。
Quotes
「NeuralGCMは、大規模な大気の力学を解く微分可能なソルバーと機械学習コンポーネントを組み合わせたモデルである。」
「NeuralGCMは従来の物理ベースモデルに比べて1桁以上の計算コスト削減を実現した。」
「NeuralGCMの1日から15日先の気象予報は、欧州中期気象予報センターのアンサンブル予報と同等の精度を示した。」