論文の概要: Deep Learning for Space Weather Prediction: Bridging the Gap between
Heliophysics Data and Theory
- arxiv url: http://arxiv.org/abs/2212.13328v1
- Date: Tue, 27 Dec 2022 00:30:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 16:29:24.584085
- Title: Deep Learning for Space Weather Prediction: Bridging the Gap between
Heliophysics Data and Theory
- Title(参考訳): 宇宙天気予報のためのディープラーニング: ヘリオフィジカルデータと理論のギャップを埋める
- Authors: John C. Dorelli, Chris Bard, Thomas Y. Chen, Daniel Da Silva, Luiz
Fernando Guides dos Santos, Jack Ireland, Michael Kirk, Ryan McGranaghan,
Ayris Narock, Teresa Nieves-Chinchilla, Marilia Samara, Menelaos Sarantos,
Pete Schuck, Barbara Thompson
- Abstract要約: 深層学習技術は、予測的に強力な宇宙天気モデルの新しいクラスを創出する。
我々はNASAに、これらの進歩を活かすのに必要な研究とインフラに投資するよう求めた。
- 参考スコア(独自算出の注目度): 3.5597536699796795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditionally, data analysis and theory have been viewed as separate
disciplines, each feeding into fundamentally different types of models. Modern
deep learning technology is beginning to unify these two disciplines and will
produce a new class of predictively powerful space weather models that combine
the physical insights gained by data and theory. We call on NASA to invest in
the research and infrastructure necessary for the heliophysics' community to
take advantage of these advances.
- Abstract(参考訳): 伝統的に、データ分析と理論は別々の分野と見なされ、それぞれが根本的に異なる種類のモデルに供給される。
現代のディープラーニング技術は、これらの2つの分野を統一し始めており、データと理論によって得られる物理的な洞察を組み合わせた予測可能な強力な宇宙気象モデルが新たに作成される。
我々はNASAに、これらの進歩を活かすのに必要な研究とインフラに投資するよう求めた。
関連論文リスト
- Machine Learning with Physics Knowledge for Prediction: A Survey [16.96920919164813]
本研究では,機械学習と物理知識を組み合わせて予測と予測を行う手法とモデルについて検討する。
まず、目的関数、構造化予測モデル、データ拡張を通じて、アーキテクチャレベルでの物理知識を取り入れることを検討する。
第二に、データを物理知識とみなし、マルチタスク、メタ、コンテキスト学習をデータ駆動方式で物理知識を組み込む代替アプローチとして考える。
論文 参考訳(メタデータ) (2024-08-19T09:36:07Z) - 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) - A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。
本稿では,生成技術に基づく時空間法を包括的に分析する。
また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
論文 参考訳(メタデータ) (2024-05-15T12:07:43Z) - Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。
このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文 参考訳(メタデータ) (2024-03-22T17:11:47Z) - Symmetry-Informed Geometric Representation for Molecules, Proteins, and
Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。
Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文 参考訳(メタデータ) (2023-06-15T05:37:25Z) - Physics-driven machine learning for the prediction of coronal mass
ejections' travel times [46.58747894238344]
コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。
本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
論文 参考訳(メタデータ) (2023-05-17T08:53:29Z) - Astronomia ex machina: a history, primer, and outlook on neural networks
in astronomy [0.0]
我々は天文学における接続性の進化をその3つの波で追跡した。
我々は、天文学的な応用のために微調整されたGPTライクな基礎モデルの採用を論じる。
論文 参考訳(メタデータ) (2022-11-07T19:00:00Z) - Machine Learning for Discovering Effective Interaction Kernels between
Celestial Bodies from Ephemerides [10.77689830299308]
我々は、データ駆動学習アプローチを用いて、太陽系の天体の運動の安定的で正確なモデルを導出する。
太陽系の主要天体を相互に相互作用する物質としてモデル化することで、我々の学習モデルは極めて正確なダイナミクスを生成する。
我々のモデルは、特に火星、水星、月の近日点沈み込みを再現するという点において、観測データに対する統一的な説明を提供することができる。
論文 参考訳(メタデータ) (2021-08-26T16:30:59Z) - Living in the Physics and Machine Learning Interplay for Earth
Observation [7.669855697331746]
推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。
機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。
これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
論文 参考訳(メタデータ) (2020-10-18T16:58:20Z) - Towards a Modular Ontology for Space Weather Research [0.17205106391379027]
私たちは、データ統合のコアを駆動し、高度に学際的なコミュニティのニーズを満たすモジュールオントロジーを開発しました。
本稿では,宇宙気象研究のための予備的なモジュールオントロジーについて述べるとともに,実例規則と明示的なタイピングを用いて,特定のユースケースに適応する方法を実証する。
論文 参考訳(メタデータ) (2020-09-25T15:17:13Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳(メタデータ) (2020-06-05T08:04:37Z)
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。