TY -的A2 Acacio桑切斯,曼努埃尔·e . AU -奥特,约旦AU -普里查德,迈克AU -最佳,娜塔莉盟——Linstead Erik盟——Curcic米兰盟——Baldi皮埃尔PY - 2020 DA - 2020/08/28 TI - Fortran-Keras深学习桥梁科学计算SP - 8888811六世- 2020 AB -实现人工神经网络通常是通过Python等高级编程语言实现和易于使用的深度学习库如Keras。这些软件库预装了各种网络架构，提供自动区分，并支持gpu进行快速和高效的计算。因此，一个深度学习的实践者会倾向于用Python训练一个神经网络模型，在那里这些工具是现成的。然而，许多大型科学计算项目都是用Fortran编写的，这使得它很难与现代深度学习方法集成。为了缓解这个问题，我们引入了一个软件库，Fortran-Keras Bridge (FKB)。这条双向桥梁将深度学习资源丰富的环境与缺乏深度学习资源的环境连接起来。本文描述了FKB提供的几个独特的功能，如可定制的层，丢失功能，和网络集成。本文最后以一个案例研究结束，该案例研究应用FKB来解决关于全球气候模拟实验方法的鲁棒性的开放问题，其中亚网格物理被外包给了深度神经网络模拟器。在这种情况下，FKB可以对亚网格云和辐射物理的100多个候选模型进行超参数搜索，最初是在Keras中实现的，现在可以在Fortran中传输和使用。这样一个过程允许评估模型的突发行为，即当拟合缺陷与显式的行星尺度流体动力学耦合时。 The results reveal a previously unrecognized strong relationship between offline validation error and online performance, in which the choice of the optimizer proves unexpectedly critical. This in turn reveals many new neural network architectures that produce considerable improvements in climate model stability including some with reduced error, for an especially challenging training dataset. SN - 1058-9244 UR - https://doi.org/10.1155/2020/8888811 DO - 10.1155/2020/8888811 JF - Scientific Programming PB - Hindawi KW - ER -