Core Concepts
異なる可能性を示すための新しいフレームワークを導入することで、物理パラメータと機械学習パラメータの共同推定と不確実性評価を行う。
Abstract
地球システムモデルにおける物理パラメータと機械学習パラメータの共同推定に焦点を当て、異なる可能性を示すための新しいフレームワークが紹介されました。オンライントレーニングや効率的なベイズ推論を通じて、高次元の物理パラメータ空間内でこれらのアプローチが可能になります。この手法は、微分可能プログラミングの能力によって実現され、機械学習と微分方程式を組み合わせることで、混合物理学-MLモデリングの能力が向上します。
最近の進歩では、気象や気候予測から乱流シミュレーションまで多くの問題を支配する粗規模偏微分方程式を解決するために重要な未知およびサブグリッド物理過程の正確な表現が必要です。これらの過程はしばしば伝統的なパラメタリゼーションスキームに含まれており、これらはモデル不確実性に寄与します。物理的関心事項である物理的パラメターを推定することは逆問題と見なされますが、強力な非線形性や伝統的なパラメタリゼーションスキーム背後の発想上仮説的前提条件によって挑戦されます。
Stats
ネットワークアウトプットチャンネル数:113,766
Quotes
"この設計上考えられた方法論は、科学的シミュレーションや知識発見においてより正確かつ信頼性が高いものへつながります。"
"提案された手法は天候や気候モデル予測を向上させるために有効な手法であることを強調しています。"