用于可扩展气候模拟器的场空间自编码器
机器学习
2026-01-22 v1 图像与视频处理
摘要
公里级地球系统模型对于捕捉局地气候变化至关重要。然而，这些模型计算成本高昂且产生 PB 级的输出，这限制了它们在概率风险评估等应用中的效用。在此，我们提出 Field-Space Autoencoder，这是一种基于球面压缩模型的可扩展气候模拟框架，能够克服上述挑战。通过利用 Field-Space Attention，该模型能高效处理原始气候模型输出，从而避免了将球面数据强行映射到欧几里得网格所导致的几何畸变。这种方法比卷积基线更好地保留了物理结构。通过产生结构化的压缩场，它可作为下游生成式模拟的良好基线。此外，该模型能够执行零样本超分辨率，将低分辨率大型集合与稀缺的高分辨率数据映射到共享表示中。我们在这些压缩场上训练了一个生成式扩散模型。该模型能够同时从丰富的低分辨率数据中学习内部变率，并从稀疏的高分辨率数据中学习精细尺度的物理规律。我们的工作弥合了低分辨率集合统计的高数据量与高分辨率物理细节的稀缺性之间的差距。
引用
@article{arxiv.2601.15102,
title = {Field-Space Autoencoder for Scalable Climate Emulators},
author = {Johannes Meuer and Maximilian Witte and Étiénne Plésiat and Thomas Ludwig and Christopher Kadow},
journal= {arXiv preprint arXiv:2601.15102},
year = {2026}
}