climt-paraformer：時間的メモリを意識したTransformerによる対流パラメタ化の安定的エミュレーション

概要: 湿潤対流のサブグリッドスケール過程を正確に表現することは、地球規模の気候モデルにおいて依然として大きな課題である。従来のパラメータ化スキームは、計算コストが高いだけでなく、スケールさせることが難しいためである。ニューラルネットワーク（NN）エミュレータは、気象状態から対流の傾向への効率的な写像を学習しつつ、基盤となる物理を忠実に保持できるため、有望な代替手段を提供する。しかし、既存の多くのNNベースのパラメータ化はメモリレスであり、対流が時間とともに進展し、過去の大気状態に依存するにもかかわらず、瞬間的な入力のみを用いている。近年の研究では対流のメモリを取り入れ始めているが、過去の状態を時間的依存を明示的にモデル化するのではなく、独立した特徴量として扱うことが多い。本研究では、Emanuelの対流パラメータ化のための、時間的メモリを意識したTransformerエミュレータを開発し、単一列（SCM）の気候モデルにおいて、オフラインおよびオンラインの両構成で評価する。Transformerは、連続する大気状態間における時間相関と非線形相互作用を捉える。メモリレスの多層パーセプトロンや、リカレント長短期記憶モデルといったベースラインのエミュレータと比較して、Transformerはオフラインの誤差がより低い。感度分析では、約100分のメモリ長が最も良い性能をもたらす一方で、より長いメモリは性能を低下させることが示される。さらに、このエミュレータを長期の結合シミュレーションで試験し、10年にわたって安定であることを示す。総じて、本研究はNNベースのパラメータ化における、時間の明示的モデリングの重要性を示している。