本研究介绍了一种将非线性分析约束条件通过网络架构或损失函数施加在神经网络上的方法,应用于气候建模中的混合过程,可以确保精度且不影响性能,同时也减少与约束条件相关的输出错误。
Sep, 2019
神经网络模拟器在气候和天气预测任务中已成为一种非常有价值的工具,但其无法保证提供公正的预测结果,因此需要在神经网络中采用明确的公平性表示方法。本研究提出一种自定义损失函数,通过惩罚具有不同质量预测结果的模拟器,在人类发展指数 (HDI) 等区域或类别上捕捉不平等,从而实现更加公正的气候模型模拟预测。实验结果表明,使用这种损失函数训练的神经气候模拟器提供更加公正的预测结果,平衡性度量随着权重增加而改善。在训练过程中,公平性和准确性之间存在权衡,但通过适当选择公平性优先超参数,可以最小化性能损失。
Jun, 2024
本文调查了 10 种最新的节能神经网络模型,并比较了它们在 4 个物理系统中的性能,指出了利用这些节能模型设计基于能量的控制器的可能性。
Dec, 2020
通过最大化神经进化框架下人工神经网络模型的准确性和最小化功耗,本研究提出了一种新的变异策略,引入了模块层的随机重新引入,通过训练过程中同时训练两个模型以推动其中一个模型的功耗更低且准确性相似,结果表明功耗降低了 29.2%,但预测性能基本不受影响。
Jan, 2024
本文通过使用深度卷积神经网络的实证研究,研究了深度学习模型的体系结构与其环境影响之间的关系,重点关注能源消耗和二氧化碳排放等方面的交易,并探讨了精度和能源效率之间的权衡,以及使用软件和硬件工具测量能量消耗的差异。
Feb, 2023
通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化,实现替换传统的物理模型的亚网参数化方法,最终实现稳定的气候模拟并提高计算效率。
Oct, 2020
使用能量耗散网络在深度学习中提出了迭代计算下降方向以实现图像重构、特别是对噪声图像进行去模糊,超分辨率和医学图像中来实现。经实验证明,它可以控制网络在推断时遵循数据形成模型,并且它在单幅图像超分辨率和计算机成像重构上取得了良好效果,并进一步扩展到凸可行性问题。
Apr, 2019
该论文提出了一种名为 NeuroClim 的框架,用于采用脑神经算法设计气候混合仿真,并为此提供了一个平台、一个数据集和一种量化的评估方法,以促进人工智能和气候研究的交叉。
Aug, 2022
机器学习在气候科学应用中变得普遍,本文提出了模拟大西洋经圈环流的方法,并使用神经网络预测不同气候情景下的极端气候。结果显示神经网络可以在多样的气候情景下预测大西洋经圈环流,并指出贝叶斯神经网络在非稳态情景中表现较差。研究还强调大型神经网络模型在全球地球系统动力学建模和非稳态气候情景中可能遇到困难。
Feb, 2024
利用深度学习可以以极小的计算代价代替传统的云细度建模的层状参数化方法,实现全球多年的气候预测。
Jun, 2018