論文の概要: Fully Differentiable Lagrangian Convolutional Neural Network for Physics-Informed Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2402.10747v2
• Date: Tue, 01 Jul 2025 15:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-02 15:54:39.908662
• Title: Fully Differentiable Lagrangian Convolutional Neural Network for Physics-Informed Precipitation Nowcasting
• Title（参考訳）: 物理インフォームド降水開始のための完全微分可能なラグランジアン畳み込みニューラルネットワーク
• Authors: Peter Pavlík, Martin Výboh, Anna Bou Ezzeddine, Viera Rozinajová,
• Abstract要約: 本稿では,データ駆動学習と物理インフォームドドメイン知識を組み合わせた降水流の畳み込みニューラルネットワークモデルを提案する。 そこで我々は,従来の外挿手法を取り入れたラグランジアンダブルU-Net for Physics-Informed Nowcastingを提案する。 ラグランジアン畳み込みニューラルネットワークを、完全に微分可能でGPUアクセラレーションされた方法で降水流に実装することに成功しました。
• 参考スコア（独自算出の注目度）: 1.124958340749622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a convolutional neural network model for precipitation nowcasting that combines data-driven learning with physics-informed domain knowledge. We propose LUPIN, a Lagrangian Double U-Net for Physics-Informed Nowcasting, that draws from existing extrapolation-based nowcasting methods. It consists of a U-Net that dynamically produces mesoscale advection motion fields, a differentiable semi-Lagrangian extrapolation operator, and an advection-free U-Net capturing the growth and decay of precipitation over time. Using our approach, we successfully implement the Lagrangian convolutional neural network for precipitation nowcasting in a fully differentiable and GPU-accelerated manner. This allows for end-to-end training and inference, including the data-driven Lagrangian coordinate system transformation of the data at runtime. We evaluate the model and compare it with other related AI-based models both quantitatively and qualitatively in an extreme event case study. Based on our evaluation, LUPIN matches and even exceeds the performance of the chosen benchmarks, opening the door for other Lagrangian machine learning models.
• Abstract（参考訳）: 本稿では,データ駆動学習と物理インフォームドドメイン知識を組み合わせた降水流の畳み込みニューラルネットワークモデルを提案する。 そこで我々は,従来の外挿方式を取り入れたラグランジアンDouble U-Net for Physics-Informed Nowcastingを提案する。 メソスケールの対流運動場を動的に生成するU-Netと、微分可能な準ラグランジアン外挿演算子と、時間とともに降水の成長と崩壊をキャプチャする対流のないU-Netから構成される。 このアプローチを用いることで、完全に微分可能でGPUアクセラレーションされた方法で降水処理を行うために、ラグランジアン畳み込みニューラルネットワークの実装に成功した。 これにより、データ駆動のLagrangian座標系変換を実行時に含む、エンドツーエンドのトレーニングと推論が可能になる。 極端なケーススタディにおいて、モデルを評価し、他の関連するAIベースのモデルと定量的かつ質的に比較する。 我々の評価に基づいて、LUPINは選択したベンチマークのパフォーマンスにマッチし、さえも超え、他のラグランジアン機械学習モデルへの扉を開く。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Recurrent U-Net-Based Graph Neural Network (RUGNN) for Accurate Deformation Predictions in Sheet Material Forming [13.180335574191432]
  本研究では,Recurrent U Net-based Graph Neural Network (RUGNN) と呼ばれる新しいグラフニューラルネットワークサロゲートモデルを開発した。 RUGNNモデルは、複数の成形時間ステップにわたるシート材料変形場の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2025-07-10T08:14:18Z)
• LaPON: A Lagrange's-mean-value-theorem-inspired operator network for solving PDEs and its application on NSE [8.014720523981385]
  ラグランジュの平均値定理に着想を得た演算子ネットワークであるLaPONを提案する。 損失関数ではなく、ニューラルネットワークアーキテクチャに直接、事前の知識を組み込む。 LaPONは、高忠実度流体力学シミュレーションのためのスケーラブルで信頼性の高いソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-18T10:45:17Z)
• Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control [1.9343033692333778]
  物理インフォームドニューラルネットワーク(PINN)は、物理法則をデータ駆動モデルと統合し、一般化とサンプル効率を改善する。 本研究は,水中車両の力学をモデル化するために設計された物理情報ニューラルネットワーク制御フレームワークのオープンソース実装を紹介する。
  論文  参考訳（メタデータ） (2025-04-28T17:38:57Z)
• Bayesian Entropy Neural Networks for Physics-Aware Prediction [14.705526856205454]
  本稿では,ベイズニューラルネットワーク(BNN)の予測に制約を加えるためのフレームワークであるBENNを紹介する。 ベンは予測値だけでなく、その微分や分散を制約し、より堅牢で信頼性の高いモデル出力を保証できる。 その結果、従来のBNNよりも大幅に改善され、現代の制約されたディープラーニング手法と比較して競争性能が向上した。
  論文  参考訳（メタデータ） (2024-07-01T07:00:44Z)
• Data-Driven Dynamic Friction Models based on Recurrent Neural Networks [0.0]
  ゲーテッド・リカレント・ユニット(GRU)アーキテクチャに基づくリカレントニューラルネットワーク(RNN)は、合成データからレート・アンド・ステート摩擦則の複雑な力学を学習する。 その結果, GRUをベースとしたRNNは, 速度ジャンプによる摩擦係数の変化を効果的に予測できることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T22:11:01Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Generalized Lagrangian Neural Networks [8.065464912030352]
  ラグランジアンニューラルネット(LNN)へのグランドブレーキング拡張(ゲンラル化ラグランジアンニューラルネット)を導入する。 ラグランジュ方程式におけるラグランジュ方程式の基本的な重要性を活用することにより、一般化されたラグランジュ方程式に基づいてモデルを定式化する。 この修正は予測精度を高めるだけでなく、非保守系におけるラグランジアン表現も保証する。
  論文  参考訳（メタデータ） (2024-01-08T08:26:40Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• NeuralFMU: Presenting a workflow for integrating hybrid NeuralODEs into real world applications [0.0]
  我々は、NeuralFMUをセットアップおよび使用するための直感的なワークフローを提案する。 本稿では,自動車の縦波力学モデルに基づく消費シミュレーションのためのNeuralFMUをデプロイすることで,この概念を実証する。
  論文  参考訳（メタデータ） (2022-09-08T17:17:46Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Lagrangian Density Space-Time Deep Neural Network Topology [0.0]
  我々は,LDDNN(Lagrangian Density Space-Time Deep Neural Networks)トポロジを提案する。 基礎となる物理科学が支配する現象の力学を予測するために、教師なしの訓練と学習を行う資格がある。 本稿では、ラグランジアン領域とハミルトン領域におけるニューラルネットワークの統計的物理解釈について論じる。
  論文  参考訳（メタデータ） (2022-06-30T03:29:35Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations [44.89798007370551]
  本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。 ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。 提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
  論文  参考訳（メタデータ） (2022-03-02T19:09:52Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Fully differentiable model discovery [0.0]
  ニューラルネットワークに基づくサロゲートとスパースベイズ学習を組み合わせたアプローチを提案する。 我々の研究は、PINNを様々なタイプのニューラルネットワークアーキテクチャに拡張し、ニューラルネットワークベースのサロゲートをベイズパラメータ推論のリッチフィールドに接続する。
  論文  参考訳（メタデータ） (2021-06-09T08:11:23Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)
• A deep learning framework for solution and discovery in solid mechanics [1.4699455652461721]
  本稿では,物理情報ニューラルネットワーク(PINN)と呼ばれるディープラーニングのクラスを,固体力学の学習と発見に応用する。 本稿では, 運動量バランスと弾性の関係をPINNに組み込む方法について解説し, 線形弾性への応用について詳細に検討する。
  論文  参考訳（メタデータ） (2020-02-14T08:24:53Z)

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。