[論文レビュー] A Generative Adversarial Network for Climate Tipping Point Discovery (TIP-GAN)

Jennifer Sleeman, David Chung+11 more|arXiv (Cornell University)|Feb 16, 2023

Ecosystem dynamics and resilienceEnvironmental Science被引用数 3

ひとこと要約

本稿では、生成対抗ネットワーク（GAN）を用いて気候の分岐点を特定するTIP-GANを提案する。生成器は臨界閾値付近のモデル設定を生成するように訓練され、識別器は補助気候モデルを用いて分岐点状態を検出する。本手法は、北大西洋表層海流循環（AMOC）の崩壊閾値付近の不確実性領域にサンプリングを集中させることに成功し、3つの生成器を用いた場合に98.7%の生成サンプルが不確実性領域内に収束した。また、オラクルに依存せずに訓練された識別器は、分岐点予測において99%を超えるF1スコアを達成した。

ABSTRACT

We propose a new Tipping Point Generative Adversarial Network (TIP-GAN) for better characterizing potential climate tipping points in Earth system models. We describe an adversarial game to explore the parameter space of these models, detect upcoming tipping points, and discover the drivers of tipping points. In this setup, a set of generators learn to construct model configurations that will invoke a climate tipping point. The discriminator learns to identify which generators are generating each model configuration and whether a given configuration will lead to a tipping point. The discriminator is trained using an oracle (a surrogate climate model) to test if a generated model configuration leads to a tipping point or not. We demonstrate the application of this GAN to invoke the collapse of the Atlantic Meridional Overturning Circulation (AMOC). We share experimental results of modifying the loss functions and the number of generators to exploit the area of uncertainty in model state space near a climate tipping point. In addition, we show that our trained discriminator can predict AMOC collapse with a high degree of accuracy without the use of the oracle. This approach could generalize to other tipping points, and could augment climate modeling research by directing users interested in studying tipping points to parameter sets likely to induce said tipping points in their computationally intensive climate models.

研究の動機と目的

• 高次元かつ計算コストの高い地球システムモデルにおける気候分岐点の特定という課題に対処すること。
• ブルートフォースなシミュレーションの必要性を減らし、分岐点を誘発する可能性の高いパラメータセットへ研究者を誘導すること。
• 他の分岐点や科学的発見問題へ一般化可能なGANベースのフレームワークの開発すること。
• 分岐点付近の状態空間における不確実性を、敵対的訓練を用いて体系的に同定する方法の探求。

提案手法

• 複数の生成器と識別器を用いた生成対抗ネットワーク（GAN）を訓練し、識別器はオラクルとしての補助気候モデルを用いて生成された設定がAMOC崩壊を引き起こすかを評価する。
• 生成器の目的関数は、不確実性を組み込んだカスタム損失関数を用いて変更され、状態空間における分離境界付近の探索を促進する。
• 識別器は、生成された設定が分岐点（崩壊）に至るか、安定状態に至るかを分類するように訓練され、オラクルの出力を正例として用いる。
• 複数の生成器を用いることで、分岐点閾値付近の高不確実性領域へのカバレッジ向上と集中を図る。
• 敵対的訓練を活用し、生成器の出力を安定状態と不安定状態の境界に集中させるまで精錬する。
• 訓練後、オラクルを用いずにテストデータに対して識別器を評価し、分岐点予測能力を評価する。

Figure 1: Fold Bifurcation.

実験結果

リサーチクエスチョン

• RQ1 GANフレームワークは、地球システムモデルにおける気候分岐点付近の高不確実性領域に効果的にサンプリングを集中させることができるか？
• RQ2 生成器の数を増加させることで、サンプルの分岐点閾値領域への集中度はどのように向上するか？
• RQ3 補助モデル（オラクル）に依存せずに、訓練済み識別器がAMOC崩壊をどの程度正確に予測できるか？
• RQ4 不確実性を組み込んだ損失関数は、力学的システムにおける分岐境界の同定を改善できるか？
• RQ5 TIP-GANアプローチは、他の気候分岐点や科学的発見問題へ一般化可能か？

主な発見

• 3つの生成器を用いた場合、TIP-GANが生成したサンプルの98.7%がAMOC分岐点付近の不確実性領域内に収束したのに対し、学習データセットでは34.9%にとどまった。
• 識別器は、オラクルを用いずにテストデータに対して0.998のF1スコアを達成し、不確実性領域内の設定分類において高い予測精度を示した。
• 生成器の数を増やすことで、不確実性領域へのサンプル集中度が顕著に向上し、N=1では67.4%、N=2では91.4%、N=3では98.7%の不確実性率を示した。
• 安定状態の設定に対しては、識別器がほぼ完璧に機能し、非不確実領域では100%の精度、再現率、F1スコアを達成した。
• 本手法は、分離境界の上側および下側の境界（分岐点状態の安定多様体に対応）を正しく学習した。
• 結果から、TIP-GANは気候モデル研究者が高インパクトなパラメータセットへ集中できるよう支援でき、必要なシミュレーション回数を削減できる可能性がある。

Figure 2: The Climate Tipping Point GAN (TIP-GAN).