論文の概要: When Geoscience Meets Generative AI and Large Language Models:
Foundations, Trends, and Future Challenges
- arxiv url: http://arxiv.org/abs/2402.03349v1
- Date: Thu, 25 Jan 2024 12:03:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 15:39:40.905594
- Title: When Geoscience Meets Generative AI and Large Language Models:
Foundations, Trends, and Future Challenges
- Title（参考訳）: Geoscienceが生成AIと大規模言語モデルに出会ったとき - 基礎,トレンド,今後の課題
- Authors: Abdenour Hadid, Tanujit Chakraborty, Daniel Busby
- Abstract要約: 生成人工知能 (Generative Artificial Intelligence, GAI) は、合成データと出力を異なるモードで生成することを約束する新興分野である。
本稿では,地球科学における生成型AIと大規模言語モデルの可能性について検討する。
- 参考スコア（独自算出の注目度）: 4.013156524547072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Artificial Intelligence (GAI) represents an emerging field that
promises the creation of synthetic data and outputs in different modalities.
GAI has recently shown impressive results across a large spectrum of
applications ranging from biology, medicine, education, legislation, computer
science, and finance. As one strives for enhanced safety, efficiency, and
sustainability, generative AI indeed emerges as a key differentiator and
promises a paradigm shift in the field. This paper explores the potential
applications of generative AI and large language models in geoscience. The
recent developments in the field of machine learning and deep learning have
enabled the generative model's utility for tackling diverse prediction
problems, simulation, and multi-criteria decision-making challenges related to
geoscience and Earth system dynamics. This survey discusses several GAI models
that have been used in geoscience comprising generative adversarial networks
(GANs), physics-informed neural networks (PINNs), and generative pre-trained
transformer (GPT)-based structures. These tools have helped the geoscience
community in several applications, including (but not limited to) data
generation/augmentation, super-resolution, panchromatic sharpening, haze
removal, restoration, and land surface changing. Some challenges still remain
such as ensuring physical interpretation, nefarious use cases, and
trustworthiness. Beyond that, GAI models show promises to the geoscience
community, especially with the support to climate change, urban science,
atmospheric science, marine science, and planetary science through their
extraordinary ability to data-driven modeling and uncertainty quantification.
- Abstract（参考訳）: 生成人工知能 (Generative Artificial Intelligence, GAI) は、合成データと出力を異なるモードで生成することを約束する新興分野である。
GAIは最近、生物学、医学、教育、法律、コンピュータサイエンス、ファイナンスなど、幅広い分野のアプリケーションで印象的な成果を上げている。
安全性、効率、持続可能性を高める努力として、生成AIは確かに重要な差別化要因として現れ、この分野におけるパラダイムシフトを約束する。
本稿では,地球科学における生成型AIと大規模言語モデルの可能性について検討する。
機械学習と深層学習の分野での最近の進歩は、多様な予測問題、シミュレーション、地学と地球系の力学に関連する多条件決定課題に対処するための生成モデルの実用性を可能にしている。
本調査では, 生成逆数ネットワーク(GAN), 物理インフォーマルニューラルネットワーク(PINN), 生成事前学習型トランスフォーマー(GPT)に基づく構造を含む, 地質学で使用されているGAIモデルについて検討した。
これらのツールは、データ生成/表示、超解像、パンクロマティックシャープニング、ヘイズ除去、修復、陸地表面の変化を含む、いくつかの応用において、ジオサイエンスコミュニティを助けてきた。
物理的な解釈、有害なユースケース、信頼性の確保など、いくつかの課題はまだ残っている。
さらに、GAIモデルは、特に気候変動、都市科学、大気科学、海洋科学、惑星科学への支援を、データ駆動モデリングと不確実な定量化という異常な能力を通じて、地球科学コミュニティに約束している。
関連論文リスト
- Beyond Grid Data: Exploring Graph Neural Networks for Earth Observation [26.397297480169858]
グラフニューラルネットワーク(GNN)は重要なイノベーションとして登場し、非ユークリッド領域にDLを推進している。
GNNは、多様なモダリティ、複数のセンサー、地球観測データの異種性によって引き起こされる課題に効果的に取り組むことができる。
本稿では、気象・気候分析、災害管理、大気質モニタリング、農業、土地被覆分類、水文プロセスモデリング、都市モデルなど、GNNの地球システムにおける科学的問題への応用の幅広い範囲について検討する。
論文 参考訳（メタデータ） (2024-11-05T16:12:12Z) - Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。
モチベーションと背景の概要から始まり、続いて基本概念が導入された。
我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
論文 参考訳（メタデータ） (2024-10-22T01:08:21Z) - Generative AI for Secure Physical Layer Communications: A Survey [80.0638227807621]
Generative Artificial Intelligence(GAI)は、AIイノベーションの最前線に立ち、多様なコンテンツを生成するための急速な進歩と非並行的な能力を示す。
本稿では,通信ネットワークの物理層におけるセキュリティ向上におけるGAIの様々な応用について,広範な調査を行う。
私たちは、物理的レイヤセキュリティの課題に対処する上で、GAIの役割を掘り下げ、通信の機密性、認証、可用性、レジリエンス、整合性に重点を置いています。
論文 参考訳（メタデータ） (2024-02-21T06:22:41Z) - Challenges in data-based geospatial modeling for environmental research
and practice [19.316860936437823]
機械学習(ML)を用いたデータに基づく地理空間モデリングが環境研究で人気を博している。
本研究では,不均衡データ,空間自己相関,予測誤差,モデル一般化,ドメイン特異性,不確実性推定など,地理空間モデリングにおける一般的なニュアンスについて検討する。
論文 参考訳（メタデータ） (2023-11-18T12:30:49Z) - Interpretable Geoscience Artificial Intelligence (XGeoS-AI): Application to Demystify Image Recognition [10.366695826805659]
本研究では,地球科学における画像認識の謎を明らかにするための,解釈可能な地球科学人工知能(XGeoS-AI)フレームワークを提案する。
XGeoS-AIフレームワークは、人間の視覚のメカニズムにヒントを得て、画像全体の局所領域からしきい値を生成し、認識を完了させる。
論文 参考訳（メタデータ） (2023-11-08T01:54:56Z) - When Geoscience Meets Foundation Models: Towards General Geoscience Artificial Intelligence System [6.445323648941926]
地球科学基礎モデル(Geoscience foundation model, GFMs)は、地球系の力学のシミュレーションと理解を強化するために、広範な学際データを統合するパラダイムシフトソリューションである。
GFMのユニークな長所は、フレキシブルなタスク仕様、多様な入出力能力、マルチモーダルな知識表現である。
このレビューは、先進的なAI技術と地球科学の交差点における未解決の機会を強調した、新興の地球科学研究パラダイムの包括的概要を提供する。
論文 参考訳（メタデータ） (2023-09-13T08:44:09Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - GeoAI at ACM SIGSPATIAL: The New Frontier of Geospatial Artificial
Intelligence Research [4.723592249469651]
本稿では,GeoAIオープン研究の方向性について再検討し,議論する。
このワークショップシリーズは、地質学者、コンピュータ科学者、エンジニア、起業家、意思決定者のためのネクサスを育ててきた。
論文 参考訳（メタデータ） (2022-10-20T18:02:17Z) - Learning from learning machines: a new generation of AI technology to
meet the needs of science [59.261050918992325]
科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。
産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
論文 参考訳（メタデータ） (2021-11-27T00:55:21Z) - Applications of physics-informed scientific machine learning in
subsurface science: A survey [64.0476282000118]
地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。
したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。
近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
論文 参考訳（メタデータ） (2021-04-10T13:40:22Z)
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。