[論文レビュー] Field-Space Autoencoder for Scalable Climate Emulators

Johannes Meuer, Maximilian Witte+3 more|arXiv (Cornell University)|Jan 21, 2026

Generative Adversarial Networks and Image Synthesis被引用数 0

ひとこと要約

Field-Space Autoencoder (FS-AE) が HEALPix 球面グリッド上で Field-Space Attention を用いて、効率的な気候データ圧縮、ゼロショット超解像、および compressed space における拡散ベースの生成エミュレーションを実現する。

ABSTRACT

Kilometer-scale Earth system models are essential for capturing local climate change. However, these models are computationally expensive and produce petabyte-scale outputs, which limits their utility for applications such as probabilistic risk assessment. Here, we present the Field-Space Autoencoder, a scalable climate emulation framework based on a spherical compression model that overcomes these challenges. By utilizing Field-Space Attention, the model efficiently operates on native climate model output and therefore avoids geometric distortions caused by forcing spherical data onto Euclidean grids. This approach preserves physical structures significantly better than convolutional baselines. By producing a structured compressed field, it serves as a good baseline for downstream generative emulation. In addition, the model can perform zero-shot super-resolution that maps low-resolution large ensembles and scarce high-resolution data into a shared representation. We train a generative diffusion model on these compressed fields. The model can simultaneously learn internal variability from abundant low-resolution data and fine-scale physics from sparse high-resolution data. Our work bridges the gap between the high volume of low-resolution ensemble statistics and the scarcity of high-resolution physical detail.

研究の動機と目的

• キロメートルスケールの気候データのストレージおよび I/O の課題を、ジオメトリに整合した圧縮手法を開発して解決する。
• 球面 HEALPix グリッド上で直接操作することにより、物理的構造と位相忠実性を preserve する。
• retraining なしでスケール間をマッピングするゼロショット超解像を実現する。
• 圧縮場上で拡散ベースの生成エミュレータを有効にし、低解像データと高解像データを橋渡しする。

提案手法

• Field-Space Attention および Field-Space Compression/Decompression を用いて HEALPix 球面メッシュ上でネイティブに動作させる。
• 解像度不変の圧縮を実現するためのマルチスケール残差分解を実装する。
• ボトルネックが 4^N の圧縮因子を生む Transformer ベースの Field-Space Autoencoder を訓練する。
• FS-AE を ERA5 表面気温で CNN-VAE ベースラインと複数の圧縮比で比較する。
• Compressed Field Diffusion を開発して、圧縮空間内で低解像 Ensemble から気候変動の変動性を学習し、高解像データから微細スケール物理を取り込む。

Figure 1: Field-Space Autoencoder: overview and multi-scale processing. (a) The Encoder $E$ compresses multi-scale inputs on the HEALPix sphere at a target coarse HEALPix level. The Decoder $D$ reconstructs fields at the original input HEALPix level. We denote native inputs by $x^{(n)}$ , residuals

実験結果

リサーチクエスチョン

• RQ1 Field-Space Autoencoder は、畳み込みベースラインより高圧縮比で球面気候場をより忠実に圧縮できるか。
• RQ2 マルチスケール・解像度不変設計は、格子解像度の異なる場合でもゼロショット超解像を可能にするか。
• RQ3 圧縮場空間の拡散モデルは、低解像情報と高解像情報を組み合わせた時系列的一貫性と物理的妥当性を備えたエンスンルを合成できるか。

主な発見

• FS-AE は、すべての試験圧縮比で再構成忠実度において CNN-VAE ベースラインを上回る。
• 64×圧縮では、FS-AE は PSNR が同等または高く、CNN-VAE より 4× 高い圧縮効率を達成する。
• 圧縮空間は t-SNE で物理的に意味のある構造を示し、季節感と長期的な温暖化傾向を反映し、火山イベントを外れ値として際立たせる。
• モデルは cross-variable attention により複数の変数へ一般化し、地形など勾配の高い領域における忠実性を維持する。
• ゼロショット超解像は、推論時に高精細残差をマスクすることで微細スケールへ局所的にアップスケールし、 fine-tuning なしで適用できる。
• Compressed Field Diffusion は、スペクトルのシャープさが ERA5/MPI-ESM-HR に近い Ensemble を生成しつつ、内部変動性パターンを保持する。

Figure 2: Reconstruction performance and compressed space visualization. (a) Dual-axis plot showing root-mean-square error (RMSE; left vertical axis, °C) and peak signal-to-noise ratio (PSNR; right vertical axis, dB) as functions of compression ratio for both the Field-Space Autoencoder (FS-AE) and