机构名称：
¥ 1.0
主管：本·莫斯利（Ben Moseley）共同服务员：克里斯托弗（Christopher）痛点：天气预测，气候建模，神经差异方程，物理知识的机器学习，科学的机器学习背景天气和气候模拟变得越来越重要，随着地球气候的变化而变得越来越重要。例如，极端天气事件的频率和幅度正在增长，并且在数小时内的局部模拟对于减轻其影响至关重要。此外，随着我们制定气候变化政策，长期全球模拟对于确定气候变化的影响至关重要。但是，尽管今天的模拟高度复杂，但它们需要巨大的计算资源。传统的模拟依赖于建立许多不同物理现象的复杂数学模型，并且必须以数值来解决这些模型，需要显着的计算E5ORT。此外，鉴于地球气候的复杂性，这些模型很可能不会捕获现实世界中展示的所有相关物理学。因此，可以运行的模拟的准确性和数量受到限制。越来越流行的替代方法是使用基于机器学习（ML）的模型进行仿真。诸如Fourcastnet [1]和GraphCast [2]之类的模型比数值模拟快的阶数阶，并且接近准确性。通过从数据中学习，他们还可以解释缺少物理学。但是，一个主要的缺点是，他们很难概括，即长期产生稳定的预测。通过完全用ML模型替换数值模型，其预测能力受到其训练数据的限制，并且对基本物理系统没有强烈的诱导偏见或事先理解。
用神经学习快速且可推广的气候模型...
主要关键词
相关文件推荐
