[論文レビュー] Implementation and Evaluation of a Machine Learned Mesoscale Eddy Parameterization into a Numerical Ocean Circulation Model

Cheng Zhang, Pavel Perezhogin+4 more|arXiv (Cornell University)|Mar 2, 2023

Meteorological Phenomena and Simulations被引用数 4

ひとこと要約

本研究では、MOM6海洋循環モデルにおける中尺度渦の深層畳み込みニューラルネットワークベースの機械学習パラメータ化を実装および評価する。このパラメータ化はエネルギーの注入とバックスキャッタの改善に成功しているが、計算コスト、境界領域での性能、深さ依存のチューニングという課題を抱えており、気候モデルへの導入に向けた可能性は示唆されるが、さらに精錬を要する。

ABSTRACT

We address the question of how to use a machine learned parameterization in a general circulation model, and assess its performance both computationally and physically. We take one particular machine learned parameterization \cite{Guillaumin1&Zanna-JAMES21} and evaluate the online performance in a different model from which it was previously tested. This parameterization is a deep convolutional network that predicts parameters for a stochastic model of subgrid momentum forcing by mesoscale eddies. We treat the parameterization as we would a conventional parameterization once implemented in the numerical model. This includes trying the parameterization in a different flow regime from that in which it was trained, at different spatial resolutions, and with other differences, all to test generalization. We assess whether tuning is possible, which is a common practice in general circulation model development. We find the parameterization, without modification or special treatment, to be stable and that the action of the parameterization to be diminishing as spatial resolution is refined. We also find some limitations of the machine learning model in implementation: 1) tuning of the outputs from the parameterization at various depths is necessary; 2) the forcing near boundaries is not predicted as well as in the open ocean; 3) the cost of the parameterization is prohibitively high on CPUs. We discuss these limitations, present some solutions to problems, and conclude that this particular ML parameterization does inject energy, and improve backscatter, as intended but it might need further refinement before we can use it in production mode in contemporary climate models.

研究の動機と目的

• 元々開発されたモデルとは異なる海洋循環モデル（MOM6）に事前学習済みの機械学習パラメータ化を統合する可能性と性能を評価すること。
• 異なる空間解像度、流れの状態、モデル設定において、MLパラメータ化の一般化能力を評価すること。
• 運用気候モデルにおけるMLパラメータ化の実装に伴う実用的課題（チューニング、安定性、計算コスト）を調査すること。
• MLパラメータ化が小スケール運動量力のシミュレーションを効果的に行い、エネルギーのバックスキャッタなどの主要物理指標を改善できるかどうかを検証すること。
• 境界付近や異なる海洋深度における実装上の制限を特定し、それに対する解決策を提案すること。

提案手法

• Guillaumin & Zanna (2021) が提唱した確率的深層学習パラメータ化を採用し、畳み込みニューラルネットワークを用いて小スケール運動量力のパラメータを予測する。
• MLパラメータ化をMOM6モデル内にオンラインで統合し、運動量方程式における小スケール力項（S_k）として組み込み、従来のパラメータ化を置き換える。
• 異なる空間解像度（1/10° から 1/40°）、異なる流れの状態（例：風駆動の二重渦系）、出力パラメータのチューニング有無の複数の設定でテストを実施。
• 物理的妥当性を評価するため、標準的な海洋学的指標（運動エネルギースペクトル、バックスキャッタなど）を用いて評価。
• 大規模気候シミュレーションへの実用可能性を評価するため、CPUおよびGPU上での計算性能を測定。
• 出力の一貫性を向上させるために、後処理およびチューニング戦略を採用し、深さレベルおよび領域ごとに最適化を実施。

実験結果

リサーチクエスチョン

• RQ1 中尺度渦用に事前学習された機械学習パラメータ化が、学習に用いられたモデルとは異なる海洋モデル（MOM6）に、変更なしで正常に実装され、安定化できるか？
• RQ2 MLパラメータ化の性能は、異なる空間解像度および流れの状態でどのように変化するか。これにより、一般化能力がどのように示されるか？
• RQ3 MLパラメータ化の計算コストはどの程度で、標準的なハードウェア上で運用気候モデルに実用可能か？
• RQ4 従来のパラメータ化と比較して、MLパラメータ化がエネルギーのバックスキャッタや運動量移動といった物理的指標をどの程度改善できるか？
• RQ5 主な実装上の課題（特に境界付近および深さに応じた差異）は何か。それらはどのように緩和できるか？

主な発見

• 変更なしにMOM6にオンラインで実装されたMLパラメータ化は、異なるモデル設定においても安定しており、強靭性が確認された。
• パラメータ化の影響は空間解像度が高くなるにつれて弱まる傾向にあり、高解像度ではより多くの小スケールプロセスが直接解像されるという予想と整合的である。
• 異なる深さレベルでのML出力のチューニングが必要であり、モデルの予測に深さ依存の感受性があることが示された。
• 海洋境界付近では、小スケールの力学がより複雑で、トレーニングデータに十分に反映されていないため、パラメータ化の性能が著しく劣化する。
• CPU上での計算コストは非常に高く、ハードウェアアクセラレーションなしでは大規模気候シミュレーションには実用的でない。
• 制限は存在するが、MLパラメータ化はエネルギーの注入とバックスキャッタの改善に成功しており、物理的意図は達成されたと確認されたが、運用用途に向けたさらなる精錬が必要である。