随机参数化的机器学习：在 Lorenz '96 模型中使用生成对抗网络

Sep, 2019

随机参数化的机器学习：在 Lorenz '96 模型中使用生成对抗网络

Machine Learning for Stochastic Parameterization: Generative Adversarial Networks in the Lorenz '96 Model

David John Gagne II, Hannah M. Christensen, Aneesh C. Subramanian, Adam H. Monahan

TL;DR本研究使用生成对抗网络（GAN）机器学习框架开发了随机参数化模型，通过评价天气和气候时间尺度上的模型运行结果，发现一些 GAN 配置表现更好，能够紧密地再现 Lorenz'96 系统的时空相关性和模式。

Abstract

Stochastic parameterizations account for uncertainty in the representation of unresolved sub-grid processes by sampling from the distribution of possible sub-grid forcings. Some existing stochastic parameterizations utilize data-driven approaches to characterize uncertainty, but these approaches require significant structural assumptions that can limit their

stochastic parameterization machine learning generative adversarial network weather and climate simulation data-driven approach

发现论文，激发创造

应用概率机器学习更好地建模参数化中的时间模式：以 Lorenz 96 模型为例

研究了如何通过机器学习，将红噪声与强化学习相结合，提高气候模型对小尺度过程的近似准确性。

Mar, 2022

多模型生成对抗网络基于随机动态学习与精确生成

本研究中我们使用生成对抗网络（GANs）学习格点上原型随机过程，并通过合适的噪声添加成功地使生成器和判别器的损失函数接近最优值。然而，典型的对抗式方法中振荡仍然存在，这损害了模型选择和生成轨迹的质量。我们演示了使用随机生成器推进随机轨迹的适当的多模型程序，可以显著提高精度。基于报告的发现，GANs 是解决复杂统计动力学的有前途的工具。

May, 2023

捕捉气候变异：使用深度学习进行随机下尺度化

应对气候变化需要准确的本地气候信息，最近的研究使用生成对抗网络 (GANs) 这种深度学习方法，以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息，捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题，许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题，缩放技术应该是随机的，并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法：a）在网络内部注入噪声，b）调整训练过程以明确考虑随机性，c）使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型，然后在实际缩放场景中进行了测试，从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量，但对风场缩放表现不佳，在这种情况下模型仍然缺乏离散度。对于风场缩放，我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能，从而更好地描述极端情况。

May, 2024

随机参数化的机器学习

使用机器学习的数据驱动方法来替代参数化方案，并结合随机化技术的大气模型的研究领域关键词。

Feb, 2024

学习随机过程的条件生成模型

提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。

Apr, 2023

随机旋转浅水噪声的生成建模

近期工作中，作者们开发了一种通用方法，用于校准流体动力学随机偏微分方程中的噪声，其中随机性是用于参数化子网格尺度过程的。该方法在天气和气候预测的不确定性估计中需要随机参数化子网格尺度波动引起的系统模型误差的表示。本文中，PCA 技术被生成模型技术取代，这使我们能够避免对增量施加额外的约束。该方法在使用模型的高度变量作为输入数据的随机旋转浅水模型上进行了测试，数值模拟表明噪声确实是非高斯分布的。生成模型技术给出了良好的 RMSE、CRPS 分数和预测等级直方图结果。

Mar, 2024

GSNs：生成随机网络

提出了一种新的基于马尔科夫链的生成随机网络（GSN）框架作为概率模型的训练原则，并通过具有反向传播的梯度来学习该链的转移算子，该理论提供了关于依赖网络和广义伪似然的有趣解释，试验结果验证了该理论在两个图像数据集中的有效性，并且在训练时不需要层次预训练。

Mar, 2015

使用神经网络对亚网大气过程进行稳定、精确、物理一致参数化，并在降低精度的情况下具有良好性能

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

恢复 Lorenz-96 混沌动力学的参数

通过三种深度网络算法客观地、基于数据地来推断参数，以此恢复 Lorenz-96 等非线性动力系统的周期行为，从而解决全球气候模型中云和对流等过程的表示问题。

Jun, 2019

融合生成对抗网络的统计参数语音合成

本文介绍了一种使用生成对抗网络（GAN）的统计参数语音合成方法，相比于传统的最小生成误差训练算法，该方法能够更自然地生成语音波形，并有效缓解了生成语音参数的平滑问题。我们还研究了不同 GAN 之间的差异，并发现最小化 Earth-Mover 距离的 Wasserstein GAN 可以最大程度地提高合成语音的质量。

Sep, 2017