論文の概要: Solaris: A Foundation Model of the Sun

• arxiv url: http://arxiv.org/abs/2411.16339v1
• Date: Mon, 25 Nov 2024 12:36:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:18:11.405478
• Title: Solaris: A Foundation Model of the Sun
• Title（参考訳）: Solaris:Sunの基礎モデル
• Authors: Harris Abdul Majid, Pietro Sittoni, Francesco Tudisco,
• Abstract要約: 私たちは、太陽の大気を予測するための最初の基礎モデルであるSolarisを紹介します。 我々は、ソーラー・ダイナミクス・オブザーバトリー(Solar Dynamics Observatory)の13年間のフルディスク・マルチ波長の太陽画像を活用している。 Solarisは109万のパラメータを持つ大規模な3D Swin Transformerアーキテクチャ上に構築されている。
• 参考スコア（独自算出の注目度）: 4.56754610152086
• License:
• Abstract: Foundation models have demonstrated remarkable success across various scientific domains, motivating our exploration of their potential in solar physics. In this paper, we present Solaris, the first foundation model for forecasting the Sun's atmosphere. We leverage 13 years of full-disk, multi-wavelength solar imagery from the Solar Dynamics Observatory, spanning a complete solar cycle, to pre-train Solaris for 12-hour interval forecasting. Solaris is built on a large-scale 3D Swin Transformer architecture with 109 million parameters. We demonstrate Solaris' ability to generalize by fine-tuning on a low-data regime using a single wavelength (1700 {\AA}), that was not included in pre-training, outperforming models trained from scratch on this specific wavelength. Our results indicate that Solaris can effectively capture the complex dynamics of the solar atmosphere and transform solar forecasting.
• Abstract（参考訳）: 基礎モデルは様々な科学領域で顕著に成功し、太陽物理学における可能性を探究する動機となった。 本稿では、太陽の大気を予測するための最初の基礎モデルであるSolarisについて述べる。 我々は、太陽ダイナミクス観測所からの13年間のフルディスク・マルチ波長の太陽画像を、完全な太陽周期にまたがって、12時間間隔の予測のためにSolarisを事前訓練するために利用した。 Solarisは109万のパラメータを持つ大規模な3D Swin Transformerアーキテクチャ上に構築されている。 我々は、単一波長 (1700 {\AA}) を用いてデータ構造を微調整することで、Solarisの一般化能力を実証した。 この結果は、Solarisが太陽大気の複雑なダイナミクスを効果的に捉え、太陽の予測を変換できることを示唆している。

関連論文リスト

• Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
  太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
  論文  参考訳（メタデータ） (2024-09-25T23:09:46Z)
• Maven: A Multimodal Foundation Model for Supernova Science [40.20166238855543]
  超新星科学の最初の基盤モデルであるMavenを紹介します。 まず、0.5Mの合成超新星からの光度測定と分光を合わせるために、我々のモデルを事前訓練する。 そして、Zwicky Transient Facilityから観測された4,702個の超新星の模型を微調整した。
  論文  参考訳（メタデータ） (2024-08-29T18:00:05Z)
• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。 データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
  特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。 本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。 その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
  論文  参考訳（メタデータ） (2023-01-21T19:16:03Z)
• A comparative study of non-deep learning, deep learning, and ensemble learning methods for sunspot number prediction [5.969216078564555]
  太陽活動は人間の活動と健康に大きな影響を及ぼす。 太陽活動の最もよく使われる尺度は、太陽黒点数である。 本稿では,3つの重要な非深層学習モデル,4つの人気のある深層学習モデル,およびその5つのアンサンブルモデルを比較した。
  論文  参考訳（メタデータ） (2022-03-11T05:11:31Z)
• Deep Learning Based Reconstruction of Total Solar Irradiance [1.7616042687330642]
  太陽放射の微妙な変化は、地球の気候や大気に大きな影響を与える可能性がある。 私たちの知る限りでは、ディープラーニングが9000年以上にわたって、全太陽放射の再構築に使われてきたのは今回が初めてです。
  論文  参考訳（メタデータ） (2021-07-23T06:33:37Z)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)
• DeepSun: Machine-Learning-as-a-Service for Solar Flare Prediction [3.994605741665177]
  我々は、Web上で太陽フレアを予測するための、DeepSunと呼ばれる機械学習・アズ・ア・サービスフレームワークを提案する。 DeepSunシステムは、このマルチクラス予測問題に対処するために、いくつかの機械学習アルゴリズムを使用している。 私たちの知る限り、DeepSunはインターネットを通じて太陽フレアを予測できる最初のMLツールです。
  論文  参考訳（メタデータ） (2020-09-04T03:41:50Z)

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。