JAMES: 在线机器学习用于准确快速模拟

与传统的大数据集离线机器学习相比，在线训练产生的机器学习模型更准确、更稳定。

在地球系统模式(ESM)中整合大区域或全球的综合大气化学目前还不可行，这是因为集成高维化学过程会严重减慢模型模拟的速度。对计算成本较高的ESM组件进行机器学习(ML)模拟，可以通过使用更快的模拟器替代参考求解器来大幅降低模拟成本，但过去的工作发现，这些ML模型的误差增长迅速，导致模型随着时间的推移变得不稳定。

Kelp等人[2022]首次证明了神经网络ML求解器在全年模拟中稳定地模拟GEOS-Chem全球3-D模型中的对流层化学的能力，同时将速度提高了5倍。他们发现，与从模拟结果的静态数据集进行离线训练的典型ML方法相比，与GEOS-Chem模拟同步的ML求解器在线训练产生了更准确更稳定的结果。结果表明，即便没有深度的训练优化，在线训练也比离线学习获得了更高的准确性和稳定性，且无需进行大数据存储。

通过离线训练和在线训练的机器学习(ML)求解器模拟地面臭氧。左右面板分别显示了2017年7月的31天模拟结束时(7月31日24时UTC)相对于GEOS-Chem中的参考化学求解器的绝对误差和分数误差。

资料来源：Kelp等[2022]，图4

本研究提出的在线学习方法可以更广泛地应用于地球系统建模的其他领域，来模型复杂的过程，达到加速和增强稳定性的目的。

以上内容英文原文发表于AGU Eos Editors' Highlights，中文翻译仅供参考。

点评编辑：

Jiwen Fan, Editor, Journal of Advances in Modeling Earth Systems

原文链接：

https://eos.org/editor-highlights/accurate-and-fast-emulation-with-online-machine-learning

论文原文

扫码访问原文

https://doi.org/10.1029/2021MS002926

引用

Kelp, M. M., Jacob, D. J., Lin, H., & Sulprizio, M. P. (2022). An online-learned neural network chemical solver for stable long-term global simulations of atmospheric chemistry. Journal of Advances in Modeling Earth Systems, 14, e2021MS002926. https://doi.org/10.1029/2021MS002926

关于期刊