AtmoRep: A stochastic model of atmosphere dynamics using large scale representation learning

要約

大気は、悪天候による人命の損失から社会への長期的な社会的および経済的影響まで、さまざまな形で人間に影響を与えます。
したがって、大気力学のコンピューターシミュレーションは、私たちと将来の世代の幸福にとって非常に重要です。
ここでは、幅広いアプリケーションに対して優れた結果を提供できる、タスクに依存しない新しい大気力学の確率的コンピュータ モデルである AtmoRep を提案します。
AtmoRep は、人工知能から学習した大規模表現を使用して、観測によって制約されたシステムの歴史的軌跡の利用可能な最良の推定値から、大気の非常に複雑で確率論的な力学の一般的な説明を決定します。
これは、新しい自己教師あり学習目標と、歴史的記録にある変動を伴う確率モデルからサンプリングする独自のアンサンブルによって可能になります。
AtmoRep のタスクに依存しない性質により、特別なトレーニングを行わなくても、さまざまなアプリケーションで適切な結果が得られます。ナウキャスティング、時間補間、モデル修正、反​​事実についてこれを実証します。
また、レーダー観測などの追加データを使用して AtmoRep を改善できること、およびダウンスケーリングなどのタスクに拡張できることも示します。
私たちの研究により、大規模ニューラル ネットワークが大気力学のタスクに依存しない巧みなモデルを提供できることが証明されました。
これにより、大気観測の膨大な記録をアプリケーションや科学的調査のためにアクセスできるようにする新しい手段が提供され、第一原理に基づいた既存のシミュレーションを補完します。

要約(オリジナル)

The atmosphere affects humans in a multitude of ways, from loss of life due to adverse weather effects to long-term social and economic impacts on societies. Computer simulations of atmospheric dynamics are, therefore, of great importance for the well-being of our and future generations. Here, we propose AtmoRep, a novel, task-independent stochastic computer model of atmospheric dynamics that can provide skillful results for a wide range of applications. AtmoRep uses large-scale representation learning from artificial intelligence to determine a general description of the highly complex, stochastic dynamics of the atmosphere from the best available estimate of the system’s historical trajectory as constrained by observations. This is enabled by a novel self-supervised learning objective and a unique ensemble that samples from the stochastic model with a variability informed by the one in the historical record. The task-independent nature of AtmoRep enables skillful results for a diverse set of applications without specifically training for them and we demonstrate this for nowcasting, temporal interpolation, model correction, and counterfactuals. We also show that AtmoRep can be improved with additional data, for example radar observations, and that it can be extended to tasks such as downscaling. Our work establishes that large-scale neural networks can provide skillful, task-independent models of atmospheric dynamics. With this, they provide a novel means to make the large record of atmospheric observations accessible for applications and for scientific inquiry, complementing existing simulations based on first principles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google