计算机科学>机器学习
标题: 发现气候倾覆点的生成性对抗网络(TIP-GAN)
摘要: 为了更好地描述地球系统模型中潜在的气候转折点,我们提出了一种新的转折点生成对抗网络(TIP-GAN)。 我们描述了一个对抗性游戏来探索这些模型的参数空间,检测即将到来的临界点,并发现临界点的驱动因素。 在这个设置中,一组生成器学习构造将调用气候转折点的模型配置。 鉴别器学习识别哪些生成器正在生成每个模型配置,以及给定的配置是否会导致临界点。 鉴别器使用甲骨文(替代气候模型)进行训练,以测试生成的模型配置是否会导致临界点。 我们演示了该GAN的应用,以引起大西洋经向翻转环流(AMOC)的崩溃。 我们分享了修改损失函数和发电机数量的实验结果,以利用气候临界点附近模型状态空间的不确定性区域。 此外,我们还表明,经过训练的鉴别器可以在不使用预言机的情况下,以较高的精度预测AMOC崩溃。 这种方法可以推广到其他临界点,并可以通过将对研究临界点感兴趣的用户引导到参数集来加强气候建模研究,这些参数集可能会在其计算密集型气候模型中产生上述临界点。