Causal Climate Emulation with Bayesian Filtering

要約

気候変動の従来のモデルは、地球システム全体の物理プロセスをシミュレートするために、結合方程式の複雑なシステムを使用します。
これらのシミュレーションは非常に計算的に高価であり、気候変動の予測とその原因と効果の分析を制限しています。
機械学習には、気候モデルからデータを迅速にエミュレートする可能性がありますが、現在のアプローチでは、物理学に基づいた因果関係を組み込むことはできません。
ここでは、因果表現学習に基づいて解釈可能な気候モデルエミュレーターを開発します。
安定した長期の自己回帰エミュレーション用のベイジアンフィルターを含む物理学に基づいたアプローチを導き出します。
エミュレータが正確な気候ダイナミクスを学習し、現実的な合成データセットでそのコンポーネントのそれぞれの重要性と、広く展開されている2つの気候モデルのデータの重要性を示しています。

要約(オリジナル)

Traditional models of climate change use complex systems of coupled equations to simulate physical processes across the Earth system. These simulations are highly computationally expensive, limiting our predictions of climate change and analyses of its causes and effects. Machine learning has the potential to quickly emulate data from climate models, but current approaches are not able to incorporate physics-informed causal relationships. Here, we develop an interpretable climate model emulator based on causal representation learning. We derive a physics-informed approach including a Bayesian filter for stable long-term autoregressive emulation. We demonstrate that our emulator learns accurate climate dynamics, and we show the importance of each one of its components on a realistic synthetic dataset and data from two widely deployed climate models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google