机构名称：
¥ 1.0
a b s t r a c t这项工作引入了一种方法，可以通过将机器学习的替代模型整合到OASIS全球循环模型（GCM）中来增强3D大气模拟的计算效率。传统的GCM基于反复整合物理方程的传统GCM在一系列时间段的大气过程中进行了大气过程，这是时间密集的，导致了模拟的空间和时间分辨率的妥协。这项研究赋予了这一限制，从而在实际时间范围内实现了更高的分辨率模拟。加速3D模拟在多个域中具有显着含义。首先，它促进了将3D模型集成到系外行星推理管道中，从而从以前从JWST和JWST Instruments预期的大量数据中对系外行星进行了良好的表征。其次，3D模型的加速度将使地球和太阳系行星的更高分辨率模拟，从而更详细地了解其大气物理和化学。我们的方法用基于仿真输入和输出的训练的基于神经网络的复发模型代替了绿洲中的辐射传输模块。辐射转移通常是GCM最慢的组件之一，因此为整体模型加速提供了最大的范围。替代模型在金星大气的特定测试案例上进行了训练和测试，以基准在非生物大气的情况下基于这种方法的实用性。这种方法产生了令人鼓舞的结果，与在一个图形处理单元（GPU）上相比，与使用匹配的原始GCM在金星样条件下相比，在一个图形处理单元（GPU）上表明，ABO V E 99.0％的精度和147个速度的因子。
使用替代辐射转移模型增强3D行星大气模拟
主要关键词
相关文件推荐
