基于神经扩散方程的气候建模
机器学习
2021-11-12 v1 人工智能
摘要
得益于深度学习技术的显著发展，已有系列工作致力于构建基于深度学习的气候模型。尽管其中大多数利用循环神经网络和/或图神经网络，我们基于神经常微分方程（NODE）和扩散方程这两个概念设计了一种新颖的气候模型。许多涉及粒子布朗运动的物理过程可用扩散方程描述，因此其被广泛用于气候建模。另一方面，神经常微分方程（NODE）旨在从数据中学习潜在的常微分方程控制方程。在我们提出的方法中，我们将二者结合为单一框架，并提出了一种称为神经扩散方程（NDE）的概念。我们的 NDE 配备了扩散方程以及一个额外的神经网络来建模固有不确定性，能够学习最恰当地描述给定气候数据集的潜在控制方程。在我们对两个真实世界和一个合成数据集以及十一个基线的实验中，我们的方法以显著优势持续优于现有基线。
引用
@article{arxiv.2111.06011,
title = {Climate Modeling with Neural Diffusion Equations},
author = {Jeehyun Hwang and Jeongwhan Choi and Hwangyong Choi and Kookjin Lee and Dongeun Lee and Noseong Park},
journal= {arXiv preprint arXiv:2111.06011},
year = {2021}
}
备注
Accepted by ICDM 2021