論文の概要: Harnessing expressive capacity of Machine Learning modeling to represent
complex coupling of Earth's auroral space weather regimes
- arxiv url: http://arxiv.org/abs/2111.14998v1
- Date: Mon, 29 Nov 2021 22:35:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 07:11:14.188109
- Title: Harnessing expressive capacity of Machine Learning modeling to represent
complex coupling of Earth's auroral space weather regimes
- Title（参考訳）: 地球オーロラ宇宙気象システムの複雑な結合を表現するために、機械学習モデリングの表現能力を活用する
- Authors: Jack Ziegler and Ryan M. Mcgranaghan
- Abstract要約: 我々は,大域オーロラ粒子降水量の予測を推し進める複数の深層学習(DL)モデルを開発した。
我々は、地球を周回する低軌道の電子エネルギーフラックスから観測を行い、地球上の流星を改良するモデルを開発した。
特に、MLモデルは、歴史的に正確な仕様まで、極端な事象の予測を改善し、MLイノベーションによって提供される能力の増大が、宇宙天気の科学における大きな課題に対処できることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop multiple Deep Learning (DL) models that advance the
state-of-the-art predictions of the global auroral particle precipitation. We
use observations from low Earth orbiting spacecraft of the electron energy flux
to develop a model that improves global nowcasts (predictions at the time of
observation) of the accelerated particles. Multiple Machine Learning (ML)
modeling approaches are compared, including a novel multi-task model, models
with tail- and distribution-based loss functions, and a spatio-temporally
sparse 2D-convolutional model. We detail the data preparation process as well
as the model development that will be illustrative for many similar time series
global regression problems in space weather and across domains. Our ML
improvements are three-fold: 1) loss function engineering; 2) multi-task
learning; and 3) transforming the task from time series prediction to
spatio-temporal prediction. Notably, the ML models improve prediction of the
extreme events, historically obstinate to accurate specification and indicate
that increased expressive capacity provided by ML innovation can address grand
challenges in the science of space weather.
- Abstract（参考訳）: 我々は,大域オーロラ粒子沈降の最先端予測を推し進める複数の深層学習(DL)モデルを開発した。
我々は、電子エネルギー流束を周回する低軌道探査機の観測を用いて、加速粒子のグローバル・ナキャスト(観測時の予測)を改善するモデルを開発した。
複数の機械学習(ML)モデリング手法を比較し、新しいマルチタスクモデル、テールと分布に基づく損失関数を持つモデル、時空間的にスパースな2D畳み込みモデルを含む。
我々は、宇宙の天候やドメイン全体における、多くの類似した時系列的回帰問題に対して、データ準備プロセスとモデル開発について詳述する。
MLの改善は3倍です。
1) 損失機能工学
2)マルチタスク学習,及び
3) タスクを時系列予測から時空間予測に変換する。
特に、MLモデルは、歴史的に正確な仕様に固執する極端な事象の予測を改善し、MLイノベーションによって提供される表現能力の増大は、宇宙気象科学における大きな課題に対処できることを示している。
関連論文リスト
- Prithvi WxC: Foundation Model for Weather and Climate [2.9230020115516253]
Prithvi WxCは、Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)から160変数を用いて開発された23億のパラメータ基盤モデルである。
このモデルは、異なる位相の気象現象を微細な解像度でモデル化するために、大きなトークン数に対応できるように設計されている。
本稿では, 自動回帰ロールアウト予測, ダウンスケーリング, 重力波フラックスパラメータ化, エクストリームイベント推定など, 課題のある下流タスクのセットでモデルを検証する。
論文 参考訳（メタデータ） (2024-09-20T15:53:17Z) - Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。
我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。
PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
論文 参考訳（メタデータ） (2024-07-08T16:38:52Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳（メタデータ） (2023-03-17T13:53:59Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳（メタデータ） (2023-01-12T02:07:26Z) - Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。
この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。
我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
論文 参考訳（メタデータ） (2022-10-29T23:05:39Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文 参考訳（メタデータ） (2020-05-18T18:45:09Z)
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。