論文の概要: AI Foundation Model for Heliophysics: Applications, Design, and Implementation

• arxiv url: http://arxiv.org/abs/2410.10841v1
• Date: Mon, 30 Sep 2024 15:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 06:14:31.513231
• Title: AI Foundation Model for Heliophysics: Applications, Design, and Implementation
• Title（参考訳）: AI Foundation Model for Heliophysics: Applications, Design, and implementation
• Authors: Sujit Roy, Talwinder Singh, Marcus Freitag, Johannes Schmude, Rohit Lal, Dinesha Hegde, Soumya Ranjan, Amy Lin, Vishal Gaur, Etienne Eben Vos, Rinki Ghosal, Badri Narayana Patro, Berkay Aydin, Nikolai Pogorelov, Juan Bernabe Moreno, Manil Maskey, Rahul Ramachandran,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2851259989174175
• License:
• Abstract: Deep learning-based methods have been widely researched in the areas of language and vision, demonstrating their capacity to understand long sequences of data and their usefulness in numerous helio-physics applications. Foundation models (FMs), which are pre-trained on a large-scale datasets, form the basis for a variety of downstream tasks. These models, especially those based on transformers in vision and language, show exceptional potential for adapting to a wide range of downstream applications. In this paper, we provide our perspective on the criteria for designing an FM for heliophysics and associated challenges and applications using the Solar Dynamics Observatory (SDO) dataset. We believe that this is the first study to design an FM in the domain of heliophysics.
• Abstract（参考訳）: 深層学習に基づく手法は言語と視覚の分野で広く研究されており、多くのヘリオ物理応用において、データの長いシーケンスとその有用性を理解する能力を示している。 大規模なデータセットで事前トレーニングされたファンデーションモデル(FM)は、さまざまなダウンストリームタスクの基礎を形成する。 これらのモデル、特に視覚と言語におけるトランスフォーマーに基づくモデルは、幅広い下流アプリケーションに適応する特別な可能性を示している。 本稿では,SDO(Solar Dynamics Observatory)データセットを用いた医療用FMの設計基準とそれに関連する課題と応用について考察する。 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。

関連論文リスト

• 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)
• A Foundation Model for the Solar Dynamics Observatory [2.63089646549647]
  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。
  論文  参考訳（メタデータ） (2024-10-03T14:36:32Z)
• Cross-Domain Foundation Model Adaptation: Pioneering Computer Vision Models for Geophysical Data Analysis [18.928794841454312]
  コンピュータビジョン領域から地球科学への適応基盤モデル(FM)について検討する。 本研究では,コンピュータビジョンから地学へのFMの適用について検討し,その規模,適応性,地学データ解析の汎用性について考察した。 本稿では,既存のコンピュータビジョンFMを活用し,地学的なタスクを微調整し,開発コストを低減し,精度を向上するワークフローを提案する。
  論文  参考訳（メタデータ） (2024-08-22T13:41:18Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• MMSci: A Dataset for Graduate-Level Multi-Discipline Multimodal Scientific Understanding [59.41495657570397]
  このデータセットには、スキーマ図、シミュレーション画像、マクロ/顕微鏡写真、実験的可視化などの図が含まれている。 我々は,6つのプロプライエタリモデルと10以上のオープンソースモデルを評価し,科学的フィギュアキャプションと複数選択質問のベンチマークを開発した。 データセットとベンチマークは、さらなる研究をサポートするためにリリースされる予定だ。
  論文  参考訳（メタデータ） (2024-07-06T00:40:53Z)
• Synergizing Foundation Models and Federated Learning: A Survey [23.416321895575507]
  本稿では,フェデレートラーニング(FL)とファンデーションモデル(FM)の融合の可能性と課題について論じる。 FLは、さまざまな参加者からのデータ可用性の障壁を破る、共同学習パラダイムである。 プライバシを保護しながら、分散データセットを使用して、幅広いドメイン固有のタスクにFMをカスタマイズし、適応する有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-06-18T17:58:09Z)
• Towards Vision-Language Geo-Foundation Model: A Survey [65.70547895998541]
  Vision-Language Foundation Models (VLFMs) は、様々なマルチモーダルタスクにおいて顕著な進歩を遂げている。 本稿では, VLGFMを網羅的にレビューし, この分野の最近の展開を要約し, 分析する。
  論文  参考訳（メタデータ） (2024-06-13T17:57:30Z)
• A Survey on Efficient Federated Learning Methods for Foundation Model Training [62.473245910234304]
  フェデレーテッド・ラーニング(FL)は、多数のクライアントにわたるプライバシー保護協調トレーニングを促進するための確立した技術となっている。 Foundation Models (FM)の後、多くのディープラーニングアプリケーションでは現実が異なる。 FLアプリケーションに対するパラメータ効率細調整(PEFT)の利点と欠点について論じる。
  論文  参考訳（メタデータ） (2024-01-09T10:22:23Z)
• Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• Shared Data and Algorithms for Deep Learning in Fundamental Physics [4.914920952758052]
  我々は、素粒子物理学、天体物理学、ハドロン物理学、核物理学を含む基礎物理学研究のデータセットの収集を紹介する。 これらのデータセットは、トップクォーク、宇宙線による大気シャワー、ハドロン物質の相転移、およびジェネレータレベルの履歴を含む。 我々は、広範囲の教師付き学習タスクに容易に適用可能な、単純で柔軟なグラフベースのニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-01T18:00:00Z)

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。