論文の概要: A Foundation Model for the Solar Dynamics Observatory

• arxiv url: http://arxiv.org/abs/2410.02530v1
• Date: Thu, 3 Oct 2024 14:36:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 02:41:38.661547
• Title: A Foundation Model for the Solar Dynamics Observatory
• Title（参考訳）: 太陽ダイナミクス観測のための基礎モデル
• Authors: James Walsh, Daniel G. Gass, Raul Ramos Pollan, Paul J. Wright, Richard Galvez, Noah Kasmanoff, Jason Naradowsky, Anne Spalding, James Parr, Atılım Güneş Baydin,
• Abstract要約: SDO-FMは、NASAのソーラー・ダイナミクス・オブザーバ(SDO)からのデータを用いた基礎モデルである。 本稿では、Hugging Faceとsdofm.orgのコミュニティで利用可能な、事前トレーニングされたモデルと埋め込みデータセットのリリースを示す。
• 参考スコア（独自算出の注目度）: 2.63089646549647
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: SDO-FM is a foundation model using data from NASA's Solar Dynamics Observatory (SDO) spacecraft; integrating three separate instruments to encapsulate the Sun's complex physical interactions into a multi-modal embedding space. This model can be used to streamline scientific investigations involving SDO by making the enormous datasets more computationally accessible for heliophysics research and enable investigations that require instrument fusion. We discuss four key components: an ingestion pipeline to create machine learning ready datasets, the model architecture and training approach, resultant embeddings and fine-tunable models, and finally downstream fine-tuned applications. A key component of this effort has been to include subject matter specialists at each stage of development; reviewing the scientific value and providing guidance for model architecture, dataset, and training paradigm decisions. This paper marks release of our pretrained models and embedding datasets, available to the community on Hugging Face and sdofm.org.
• Abstract（参考訳）: SDO-FMは、NASAのソーラー・ダイナミクス・オブザーバ(SDO)衛星のデータを用いた基礎モデルであり、太陽の複雑な物理的相互作用を多モードの埋め込み空間にカプセル化するために3つの別々の機器を統合する。 このモデルはSDOに関する科学的研究の合理化に役立てることができる。 機械学習対応データセットを作成するための取り込みパイプライン、モデルアーキテクチャとトレーニングアプローチ、結果の埋め込みと微調整可能なモデル、そして最後に下流の微調整されたアプリケーションについて論じる。 この取り組みの重要な構成要素は、開発の各段階での課題スペシャリスト、科学的価値のレビュー、モデルアーキテクチャ、データセット、訓練パラダイム決定のためのガイダンスの提供である。 本稿では、Hugging Faceとsdofm.orgのコミュニティで利用可能な、事前トレーニングされたモデルと埋め込みデータセットのリリースを示す。

関連論文リスト

• Combining Physics-based and Data-driven Modeling for Building Energy Systems [5.437298646956505]
  建築エネルギーモデリングは、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。 研究者たちは物理ベースのモデルとデータ駆動モデルとハイブリッドなアプローチを組み合わせている。 実世界のケーススタディを通じて、エネルギーモデリングにおける4つの主要なハイブリッドアプローチを評価した。
  論文  参考訳（メタデータ） (2024-11-01T21:56:39Z)
• 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)
• AI Foundation Model for Heliophysics: Applications, Design, and Implementation [1.2851259989174175]
  ファンデーションモデル(FM)は、大規模なデータセットで事前トレーニングされている。 本報告では, 医療用FMの設計基準について概観する。 ヘリオフィジカル領域でFMを設計した最初の研究であると考えている。
  論文  参考訳（メタデータ） (2024-09-30T15:48:28Z)
• On the Opportunities of (Re)-Exploring Atmospheric Science by Foundation Models: A Case Study [2.672038860046272]
  大気科学における最先端のAIアプリケーションは、古典的なディープラーニングアプローチに基づいている。 本報告では, 現状の基盤モデルであるGPT-4oが, 様々な大気科学的課題を遂行する方法について検討する。
  論文  参考訳（メタデータ） (2024-07-25T07:57:34Z)
• Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは包括的な実験プラットフォームを提供し、データとモデルの両方の迅速なイテレーションと洞察駆動による改善を可能にする。 また、徹底的なベンチマークから得られた実りある洞察を明らかにし、データ品質、多様性、モデル行動の間の重要な相互作用に光を当てています。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• 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)
• Interfacing Foundation Models' Embeddings [131.0352288172788]
  ファウンデーションモデルの埋め込みと、モダリティと粒度にまたがる統合イメージとデータセットレベルの理解を整合させる汎用インターフェースであるFINDを提案する。 インターリーブド埋め込み空間を考慮したFIND-Benchでは,インターリーブドセグメンテーションと検索のためのCOCOデータセットに新たなトレーニングと評価アノテーションを導入している。
  論文  参考訳（メタデータ） (2023-12-12T18:58:02Z)
• End-to-end Phase Field Model Discovery Combining Experimentation, Crowdsourcing, Simulation and Learning [9.763339269757227]
  エンド・ツー・エンドのフェーズ・フィールド・モデル探索のためのフェーズ・フィールド・ラボ・プラットフォームを提案する。 Phase-Field-Labは、(i)アノテーション時間を短縮する合理化されたアノテーションツール、(ii)データからフェーズフィールドモデルを自動的に学習するエンドツーエンドのニューラルモデル、(iii)新しいインターフェースと視覚化を組み合わせる。 我々のプラットフォームは極端条件下での材料中のナノ構造進化の解析に利用されている。
  論文  参考訳（メタデータ） (2023-09-13T22:44:04Z)
• StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized Image-Dialogue Data [129.92449761766025]
  本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。 このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。 本研究は,各種データセットを対象とした総合的な実験を含む。
  論文  参考訳（メタデータ） (2023-08-20T12:43:52Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• The Open Catalyst 2020 (OC20) Dataset and Community Challenges [36.556154866045894]
  触媒の発見と最適化は多くの社会的およびエネルギー的課題を解決する鍵となる。 表面および吸着体の元素組成を一般化できるモデルを構築することは、依然としてオープンな課題である。
  論文  参考訳（メタデータ） (2020-10-20T03:29:18Z)

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。