論文の概要: A Physics-Constrained Neural Differential Equation Framework for Data-Driven Snowpack Simulation

• arxiv url: http://arxiv.org/abs/2412.06819v1
• Date: Tue, 03 Dec 2024 20:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-15 07:33:10.094524
• Title: A Physics-Constrained Neural Differential Equation Framework for Data-Driven Snowpack Simulation
• Title（参考訳）: データ駆動スノーパックシミュレーションのための物理拘束型ニューラルネットワーク微分方程式フレームワーク
• Authors: Andrew Charbonneau, Katherine Deck, Tapio Schneider,
• Abstract要約: 本稿では,パラメータ化のための物理制約付きニューラル微分方程式フレームワークを提案する。 降雪深は9%の中央値誤差で予測され、ナッシュサトクリフ効果は幅広い雪の気候で0.94以上である。 アプローチの構造は、物理的制約の満足度を保証し、モデルのトレーニング中にこれらの制約を許容し、パラメータ化のさらなる再トレーニングなしに異なる時間分解におけるモデリングを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a physics-constrained neural differential equation framework for parameterization, and employs it to model the time evolution of seasonal snow depth given hydrometeorological forcings. When trained on data from multiple SNOTEL sites, the parameterization predicts daily snow depth with under 9% median error and Nash Sutcliffe Efficiencies over 0.94 across a wide variety of snow climates. The parameterization also generalizes to new sites not seen during training, which is not often true for calibrated snow models. Requiring the parameterization to predict snow water equivalent in addition to snow depth only increases error to ~12%. The structure of the approach guarantees the satisfaction of physical constraints, enables these constraints during model training, and allows modeling at different temporal resolutions without additional retraining of the parameterization. These benefits hold potential in climate modeling, and could extend to other dynamical systems with physical constraints.
• Abstract（参考訳）: 本稿では, パラメータ化のための物理制約付きニューラル微分方程式の枠組みを提案し, 季節積雪深の時間的変化をモデル化する。 複数のSNOTEL地点からのデータに基づいてトレーニングすると、パラメータ化は降雪深を9%以下の中央値誤差で予測し、ナッシュサトクリフ効果は幅広い積雪気候で0.94以上である。 パラメータ化はまた、トレーニング中に見られない新しい場所へ一般化するが、これは校正された雪モデルには当てはまらないことが多い。 積雪深に加えて積雪水と同等のパラメータ化を必要とすると、誤差は12%程度になる。 アプローチの構造は、物理的制約の満足度を保証し、モデルのトレーニング中にこれらの制約を許容し、パラメータ化のさらなる再トレーニングなしに異なる時間分解におけるモデリングを可能にする。 これらの利点は気候モデリングの可能性を秘めており、物理的制約のある他の力学系にまで拡張することができる。

関連論文リスト

• Quantum Neural Networks for Cloud Cover Parameterizations in Climate Models [0.08271752505511926]
  短時間の高解像度気候シミュレーションで訓練された機械学習モデルは、従来のパラメータ化を代替する有望な候補である。 QNNは従来のものと異なり、その高い表現性が、正確なデータ駆動スキームのための有望なツールになる可能性がある。 調査対象のQNNの全体的な性能は、トレーニング可能なパラメータの数と同じ大きさの古典的NNと同等であることを示す。
  論文  参考訳（メタデータ） (2025-02-14T13:02:49Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
  我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。 提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T19:05:28Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。 単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• A Three-regime Model of Network Pruning [47.92525418773768]
  我々は、ニューラルネットワーク(NN)トレーニングのハイパーパラメータが刈り取り性能に与える影響をモデル化するために、温度のようなパラメータと負荷のようなパラメータを使用します。 プレプルーニングモデルにおける負荷様パラメータの値に依存すると、プレプルーニングモデルにおける温度様パラメータの値が増加するか、その後のプルーニング性能が向上または損なわれる可能性がある。 本モデルでは, 高温のダイコトモス効果は, ポストプランニングモデルにおいて, 異なるタイプの大域構造間の遷移と関係していることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-28T08:09:25Z)
• Physics-constrained deep learning postprocessing of temperature and humidity [0.0]
  深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。 熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
  論文  参考訳（メタデータ） (2022-12-07T09:31:25Z)
• 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)
• Combining data assimilation and machine learning to estimate parameters of a convective-scale model [0.0]
  対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。 本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
  論文  参考訳（メタデータ） (2021-09-07T09:17:29Z)

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。