論文の概要: Bridging observation, theory and numerical simulation of the ocean using
Machine Learning
- arxiv url: http://arxiv.org/abs/2104.12506v1
- Date: Mon, 26 Apr 2021 12:11:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:27:06.960916
- Title: Bridging observation, theory and numerical simulation of the ocean using
Machine Learning
- Title（参考訳）: 機械学習を用いた海のブリッジング観測・理論・数値シミュレーション
- Authors: Maike Sonnewald, Redouane Lguensat, Daniel C. Jones, Peter D. Dueben,
Julien Brajard, Venkatramani Balaji
- Abstract要約: 海洋の研究は、MLが対処できるユニークな課題の組み合わせを示しています。
利用可能な観測データは、ほとんど空間的に希薄であり、表面に限定されており、数十年以上に及ぶ時系列は少ない。
このレビューでは、MLを適用することで提供される現在の科学的洞察と、差し迫った潜在能力の所在を論じる。
- 参考スコア（独自算出の注目度）: 0.08155575318208629
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Progress within physical oceanography has been concurrent with the increasing
sophistication of tools available for its study. The incorporation of machine
learning (ML) techniques offers exciting possibilities for advancing the
capacity and speed of established methods and also for making substantial and
serendipitous discoveries. Beyond vast amounts of complex data ubiquitous in
many modern scientific fields, the study of the ocean poses a combination of
unique challenges that ML can help address. The observational data available is
largely spatially sparse, limited to the surface, and with few time series
spanning more than a handful of decades. Important timescales span seconds to
millennia, with strong scale interactions and numerical modelling efforts
complicated by details such as coastlines. This review covers the current
scientific insight offered by applying ML and points to where there is imminent
potential. We cover the main three branches of the field: observations, theory,
and numerical modelling. Highlighting both challenges and opportunities, we
discuss both the historical context and salient ML tools. We focus on the use
of ML in situ sampling and satellite observations, and the extent to which ML
applications can advance theoretical oceanographic exploration, as well as aid
numerical simulations. Applications that are also covered include model error
and bias correction and current and potential use within data assimilation.
While not without risk, there is great interest in the potential benefits of
oceanographic ML applications; this review caters to this interest within the
research community.
- Abstract（参考訳）: 物理海洋学の進歩は、研究に利用可能なツールの高度化と並行している。
機械学習(ML)技術の導入は、確立されたメソッドのキャパシティとスピードを向上し、実質的でセレンディピティーな発見をするためのエキサイティングな可能性を提供する。
現代の多くの科学分野に共通する膨大な量の複雑なデータ以外にも、海洋の研究はmlが対処できるユニークな課題の組合せとなっている。
利用可能な観測データは大部分が空間的に疎らで、表面だけに限られており、時系列は数十年を超える。
重要なタイムスケールは数秒から数千年に渡り、強いスケールの相互作用と、海岸線のような詳細によって複雑な数値モデリングの努力を伴う。
このレビューでは、MLを適用することで提供される現在の科学的洞察と、差し迫った潜在能力の所在を論じる。
我々は、観測、理論、数値モデリングの3つの分野をカバーしている。
課題と機会の両方を高く評価し、歴史的文脈と健全なMLツールについて論じる。
本研究は, ml in situ sampling と衛星観測の利用と, ml応用が理論的海洋探査を前進させる程度, および数値シミュレーションの支援に焦点をあてた。
また、モデルエラーやバイアス補正、データ同化における現在および潜在的利用などについても触れられている。
リスクがないわけではないが、海洋MLアプリケーションの潜在的な利益には大きな関心がある。
関連論文リスト
- Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。
我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
論文 参考訳（メタデータ） (2024-06-16T08:03:24Z) - Opportunities for machine learning in scientific discovery [16.526872562935463]
我々は、科学コミュニティが科学的な発見を達成するために機械学習技術をどのように活用できるかをレビューする。
課題は残るが、MLの原則的利用は基本的な科学的発見のための新たな道を開く。
論文 参考訳（メタデータ） (2024-05-07T09:58:02Z) - Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and
Challenges [4.497634148674422]
一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。
ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
論文 参考訳（メタデータ） (2023-10-30T19:12:51Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳（メタデータ） (2023-10-16T09:06:00Z) - Bridging Machine Learning and Sciences: Opportunities and Challenges [0.0]
機械学習の科学への応用は、近年、エキサイティングな進歩を遂げている。
近年,ディープ・ニューラルネットを用いたアウト・オブ・ディストリビューション検出は高次元データにおいて大きな進歩を遂げている。
我々は、データ普遍性、実験プロトコル、モデル堅牢性など、それらの適用可能性について批判的に考察する。
論文 参考訳（メタデータ） (2022-10-24T17:54:46Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳（メタデータ） (2022-06-30T11:39:12Z) - Machine Learning for Naval Architecture, Ocean and Marine Engineering [0.0]
この記事では、海軍アーキテクチャ、海洋工学、海洋工学における機械学習アルゴリズムの適用についてレビューする。
本稿では, 波高予測, 船舶の風荷重計算, オフショアプラットホームの損傷検出, 船体付加抵抗の計算など, さまざまな問題に対する機械学習アルゴリズムの適用について論じる。
論文 参考訳（メタデータ） (2021-09-01T09:36:12Z) - Machine Learning Information Fusion in Earth Observation: A
Comprehensive Review of Methods, Applications and Data Sources [0.0]
本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。
データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
論文 参考訳（メタデータ） (2020-12-07T13:35:08Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。