神经网络模拟辐射传输参数化在最先进的大气环流模型中的稳健性
摘要：机器学习（ML）模型组件对以前未见的输入的概括能力以及使用这些组件的模型的稳定性一直备受关注，特别是当涉及到基于ML的参数化时。与此同时，现有参数化的基于ML的仿真器在它们专门设计的模型中使用时可以保持稳定、准确和快速。在这项工作中，我们展示了基于浅层神经网络的辐射传输参数化仿真器，这些仿真器在近十年前为最先进的GCM开发，对于宿主模型的实质性结构和参数变化具有稳健性：当在新模型中进行类似AMIP实验时，它们不仅保持稳定，而且生成真实的输出。讨论了神经网络架构和训练集设计对于基于ML的模型组件稳定性的潜在贡献。
作者：Alexei Belochitski, Vladimir Krasnopolsky
论文ID：2103.07024
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2022-06-22