Earth system models of intermediate complexity: closing the gap in the spectrum of climate system models
PulseAugur coverage of Earth system models of intermediate complexity: closing the gap in the spectrum of climate system models — every cluster mentioning Earth system models of intermediate complexity: closing the gap in the spectrum of climate system models across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
麻省理工学院研究人员创建更快的AI气候模拟器
麻省理工学院的研究人员开发了新颖的人工智能代理模型，称为气候模拟器，旨在加速气候建模。这些模拟器显著减少了模拟所需的计算时间，将数月的超级计算机处理时间缩短为一次运行。值得注意的是，与以前的模型相比，它们在未见过的情景下表现出更强的泛化能力。
-
新工具GNN-VIEW助力基于图的地球系统模型的开发和解释
一款名为GNN-VIEW的新工具已被开发出来，用于辅助创建和理解用于地球系统的基于图的机器学习模型。这款基于浏览器的工具允许开发人员在训练前可视化和调试图结构，并在训练后使用可解释性技术来揭示哪些输入特征影响了特定的预测。GNN-VIEW的实用性已通过构建海洋预测模型和解释Hurricane Laura期间的降水预测得到证明。
-
新型AI模型FNO-MoE高保真度模拟大气化学
研究人员开发了FNO-MoE，这是一种新颖的傅里叶神经算子，旨在以前所未有的速度和准确性模拟复杂的大气化学。该模型可以在一次计算中预测30分钟间隔内的完整化学状态，其性能远超传统的数值求解器。FNO-MoE还采用主动训练策略，利用专家意见分歧来选择对其自身学习过程最有信息量的数据，从而为地球系统模型提供更有效、更高效的模拟器。
-
新的机器学习框架增强了气候模型的可解释性和因果归因
研究人员开发了一个新的机器学习框架，旨在提高气候模型的可解释性和可信度。这种分层因果表示学习方法显式地模拟了内部气候变率以及由于温室气体和气溶胶浓度变化引起的强迫响应。当在未来气候情景下进行训练时，该框架能够准确预测温度演变，并对扰动表现出物理上真实的响应，凸显了其在推进气候模型模拟和因果归因方面的潜力。