論文の概要: Unsupervised Discovery of Extreme Weather Events Using Universal Representations of Emergent Organization

• arxiv url: http://arxiv.org/abs/2304.12586v2
• Date: Thu, 28 Sep 2023 05:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 22:37:02.990971
• Title: Unsupervised Discovery of Extreme Weather Events Using Universal Representations of Emergent Organization
• Title（参考訳）: 創発組織の普遍表現を用いた異常気象事象の教師なし発見
• Authors: Adam Rupe and Karthik Kashinath and Nalini Kumar and James P. Crutchfield
• Abstract要約: 自発的な自己組織化は熱力学平衡から遠く離れた系ではどこでも存在する。 我々は、データ駆動型アルゴリズムを通じて、実際に構築可能な創発的組織を記述するためのフレームワークを紹介します。 予測同値クラスが複雑な時間系における組織的コヒーレント構造を捉えることを示す。
• 参考スコア（独自算出の注目度）: 0.8550343489086354
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spontaneous self-organization is ubiquitous in systems far from thermodynamic equilibrium. While organized structures that emerge dominate transport properties, universal representations that identify and describe these key objects remain elusive. Here, we introduce a theoretically-grounded framework for describing emergent organization that, via data-driven algorithms, is constructive in practice. Its building blocks are spacetime lightcones that embody how information propagates across a system through local interactions. We show that predictive equivalence classes of lightcones -- local causal states -- capture organized behaviors and coherent structures in complex spatiotemporal systems. Employing an unsupervised physics-informed machine learning algorithm and a high-performance computing implementation, we demonstrate automatically discovering coherent structures in two real world domain science problems. We show that local causal states identify vortices and track their power-law decay behavior in two-dimensional fluid turbulence. We then show how to detect and track familiar extreme weather events -- hurricanes and atmospheric rivers -- and discover other novel coherent structures associated with precipitation extremes in high-resolution climate data at the grid-cell level.
• Abstract（参考訳）: 自発的自己組織化は熱力学的平衡から遠く離れたシステムにおいてユビキタスである。 輸送特性を支配する組織構造は存在するが、これらの重要な対象を識別し記述する普遍表現はいまだに解明されていない。 本稿では,データ駆動型アルゴリズムによる創発的組織を記述するための理論的根拠付きフレームワークを提案する。 ビルディングブロックは、局所的な相互作用を通じてシステムがいかに情報伝達するかを具現化した時空の光錐である。 局所因果状態である光錐の予測等価クラスが複雑な時空間系における組織的挙動やコヒーレント構造を捉えることを示す。 教師なし物理インフォームド機械学習アルゴリズムと高性能コンピューティング実装を用いて、2つの実世界の領域科学問題におけるコヒーレント構造の自動発見を実証する。 局所因果状態が渦を同定し, 2次元流体乱流中のパワーロー減衰挙動を追跡することを示した。 そして、高分解能気候データから、慣れ親しんだ極端な気象現象(ハリケーンや大気河川)を検知し追跡する方法を示し、降水極端に関連する他の新しいコヒーレント構造をグリッドセルレベルで発見する。

関連論文リスト

• Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
  本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。 それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
  論文  参考訳（メタデータ） (2024-10-01T21:14:06Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• A Hierarchical Framework with Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems [41.055298739292695]
  複雑な適応システムのグローバルな特性であるEmergenceは、例えばネットワークレベルのトラフィック混雑など、現実世界の動的システムで広く利用されている。 本稿では,システム表現とエージェント表現を学習することで,これら2つの問題を解決するために,CASの時間的一貫性を備えた階層型フレームワークを提案する。 提案手法は,3つのデータセットに対する従来の手法や深層学習法よりも,検出の難しい動作をよく知ることができる。
  論文  参考訳（メタデータ） (2024-01-18T08:55:05Z)
• Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
  台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。 公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-28T03:11:33Z)
• Analyzing Complex Systems with Cascades Using Continuous-Time Bayesian Networks [42.88667535189424]
  本研究では,複雑なシステムのカスケード挙動を解析するための連続時間ベイズネットワーク(CTBN)に基づくモデリングフレームワークを提案する。 イベントがシステムを介してどのように伝播するかを記述し、想定される感覚状態、すなわち、差し迫ったカスケード行動を引き起こす可能性のあるシステム状態を特定する。
  論文  参考訳（メタデータ） (2023-08-21T10:06:15Z)
• Clustering-based Identification of Precursors of Extreme Events in Chaotic Systems [0.0]
  力学系の状態における急激かつ急激な高振幅変化は、極端事象と呼ばれる。 カオスシステムにおける希少かつ極端な事象の前駆体を特定するために,データ駆動のモジュラリティに基づくクラスタリング手法の適用性を検討した。
  論文  参考訳（メタデータ） (2023-06-20T12:38:38Z)
• Thermal cycle and polaron formation in structured bosonic environments [0.0]
  オープン量子システムの進化が、それが相互作用する環境の詳細な進化とどのように関連しているかを説明するために、環境観測装置へのアクセスを利用する。 超オーミック環境と強く相互作用する2段階の系を分析し、そこでは極性状態の形成に追従できるスピン-ボソン基底状態の変化を発見する。
  論文  参考訳（メタデータ） (2023-06-07T08:40:04Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• Detecting structural perturbations from time series with deep learning [0.0]
  本稿では,関数型時系列から構造摂動を推定するためのグラフニューラルネットワークを提案する。 データ駆動型アプローチは典型的な再構成手法より優れていることを示す。 この研究は、現実世界の複雑なシステムのレジリエンスを研究するための実践的な方法を明らかにする。
  論文  参考訳（メタデータ） (2020-06-09T13:08:40Z)

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。