用扩散模型模拟大气低频变化，每月一步，计算量小。
Monthly Diffusion v0.9: A Latent Diffusion Model for the First AI-MIP
- 基于球面傅里叶神经算子的变分自编码器架构
- 在1.5度网格上实现月尺度气候模拟，数据稀疏下仍有效
- 适合气候建模、低计算资源场景下的长期模拟
本文介绍基于1.5度空间分辨率的月度扩散模型（MD-1.5 v0.9），这是一种气候模拟器，采用受球面傅里叶神经算子（SFNO）启发的条件变分自编码器（CVAE）架构，通过潜在扩散模型捕捉大气低频内部变率的演化。MDv0.9设计用于在数据稀疏条件下以月平均时间步长进行前向推进，仅需适度计算资源。本文阐述了该架构的设计动机、训练流程及初步结果。
原文摘要 · Abstract (English)
Here, we describe Monthly Diffusion at 1.5-degree grid spacing (MD-1.5 version 0.9), a climate emulator that leverages a spherical Fourier neural operator (SFNO)-inspired Conditional Variational Auto-Encoder (CVAE) architecture to model the evolution of low-frequency internal atmospheric variability using latent diffusion. MDv0.9 was designed to forward-step at monthly mean timesteps in a data-sparse regime, using modest computational requirements. This work describes the motivation behind the architecture design, the MDv0.9 training procedure, and initial results.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。