Learning to generate physical ocean states: Towards hybrid climate modeling

要約

海洋大循環モデルは、平衡状態に到達するために膨大な計算資源を必要とする。一方、深層学習エミュレーターは、高速な予測を提供するにもかかわらず、気候科学者が（温室効果ガス排出に対する）気候感度と、ティッピングポイントのような突然の変動メカニズムを理解するために必要な、物理的解釈可能性と長期安定性に欠けている。我々は、気候予測の初期条件として機能する物理的に一貫性のある海洋状態を作り出すために、深い生成モデルを活用することによって、両方の世界から最良のものを取り入れることを提案する。このハイブリッド・アプローチの実行可能性を、物理的指標と数値実験の両方を通して評価し、生成中に物理的制約を強制することの利点を強調する。ここでは、理想化された数値シミュレーションから得られた海洋変数で訓練を行っているが、ディープラーニングの計算効率と数値モデルの物理的精度を組み合わせたこのハイブリッドアプローチは、気候モデルを平衡まで実行する計算負荷を効果的に軽減し、ベースラインシミュレーションのドリフトを最小化することで、気候予測の不確実性を低減できると主張する。

要約(オリジナル)

Ocean General Circulation Models require extensive computational resources to reach equilibrium states, while deep learning emulators, despite offering fast predictions, lack the physical interpretability and long-term stability necessary for climate scientists to understand climate sensitivity (to greenhouse gas emissions) and mechanisms of abrupt % variability such as tipping points. We propose to take the best from both worlds by leveraging deep generative models to produce physically consistent oceanic states that can serve as initial conditions for climate projections. We assess the viability of this hybrid approach through both physical metrics and numerical experiments, and highlight the benefits of enforcing physical constraints during generation. Although we train here on ocean variables from idealized numerical simulations, we claim that this hybrid approach, combining the computational efficiency of deep learning with the physical accuracy of numerical models, can effectively reduce the computational burden of running climate models to equilibrium, and reduce uncertainties in climate projections by minimizing drifts in baseline simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL