ClimART: A Benchmark Dataset for Emulating Atmospheric Radiative\n Transfer in Weather and Climate Models
Notice bibliographique
Résumé
Numerical simulations of Earth's weather and climate require substantial\namounts of computation. This has led to a growing interest in replacing\nsubroutines that explicitly compute physical processes with approximate machine\nlearning (ML) methods that are fast at inference time. Within weather and\nclimate models, atmospheric radiative transfer (RT) calculations are especially\nexpensive. This has made them a popular target for neural network-based\nemulators. However, prior work is hard to compare due to the lack of a\ncomprehensive dataset and standardized best practices for ML benchmarking. To\nfill this gap, we build a large dataset, ClimART, with more than \\emph{10\nmillion samples from present, pre-industrial, and future climate conditions},\nbased on the Canadian Earth System Model. ClimART poses several methodological\nchallenges for the ML community, such as multiple out-of-distribution test\nsets, underlying domain physics, and a trade-off between accuracy and inference\nspeed. We also present several novel baselines that indicate shortcomings of\ndatasets and network architectures used in prior work. Download instructions,\nbaselines, and code are available at: https://github.com/RolnickLab/climart\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».