Avaliando o projeto e o treinamento do emulador para parametrizações microfísicas modais de aerossóis no E3SMv2

Com o objetivo de usar emuladores de aprendizado de máquina científico para melhorar a representação numérica de processos de aerossóis em modelos atmosféricos globais, exploramos a emulação de processos microfísicos de aerossóis sem nuvens.

Com o objetivo de usar emuladores de Scientific Machine Learning (SciML) para melhorar a representação numérica de processos de aerossóis em modelos atmosféricos globais, exploramos a emulação de processos microfísicos de aerossóis sob condições livres de nuvens no Modal Aerosol. Nossos resultados mostram que a convergência de otimização, a estratégia de escalonamento e a complexidade da rede influenciam fortemente a precisão da emulação.

Essas descobertas fornecem pistas práticas para os próximos estágios do desenvolvimento do emulador. Eles também fornecem insights gerais que provavelmente são aplicáveis ​​à emulação de outros processos de aerossol, bem como outras físicas atmosféricas envolvendo variabilidade em múltiplas escalas.

Tanto indivíduos como organizações que trabalham com arXivLabs abraçaram e aceitaram nossos valores de abertura, comunidade, excelência e privacidade dos dados do usuário. ArXiv está comprometido com esses valores e só trabalha com parceiros que os aderem.

Tem uma ideia de um projeto que agregue valor à comunidade arXiv? . Saiba mais sobre o arXivLabs.

Fonte