Fugu-MT 論文翻訳(概要): Learning Weather Models from Data with WSINDy

論文の概要: Learning Weather Models from Data with WSINDy

arxiv url: http://arxiv.org/abs/2501.00738v1
Date: Wed, 01 Jan 2025 06:03:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-05 16:54:31.967921
Title: Learning Weather Models from Data with WSINDy
Title（参考訳）: WSINDyでデータから気象モデルを学ぶ
Authors: Seth Minor, Daniel A. Messenger, Vanja Dukic, David M. Bortz,
Abstract要約: Weak form Sparse Identification of Dynamics (WSINDy) algorithm can learn effective weather model fromsimulated and assimilated data。提案手法は標準的なWSINDyアルゴリズムを任意の次元の高次元流体データに適応させる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The multiscale and turbulent nature of Earth's atmosphere has historically rendered accurate weather modeling a hard problem. Recently, there has been an explosion of interest surrounding data-driven approaches to weather modeling, which in many cases show improved forecasting accuracy and computational efficiency when compared to traditional methods. However, many of the current data-driven approaches employ highly parameterized neural networks, often resulting in uninterpretable models and limited gains in scientific understanding. In this work, we address the interpretability problem by explicitly discovering partial differential equations governing various weather phenomena, identifying symbolic mathematical models with direct physical interpretations. The purpose of this paper is to demonstrate that, in particular, the Weak form Sparse Identification of Nonlinear Dynamics (WSINDy) algorithm can learn effective weather models from both simulated and assimilated data. Our approach adapts the standard WSINDy algorithm to work with high-dimensional fluid data of arbitrary spatial dimension. Moreover, we develop an approach for handling terms that are not integrable-by-parts, such as advection operators.
Abstract（参考訳）: 地球の大気のマルチスケールと乱流の性質は、歴史的に正確な気象モデリングを難しい問題としてきた。近年,気象モデルに対するデータ駆動手法の関心が高まっており,従来の手法と比較して予測精度や計算効率が向上している例が多い。しかし、現在のデータ駆動型アプローチの多くは、高度にパラメータ化されたニューラルネットワークを採用しており、しばしば解釈不能なモデルと科学的理解の限られた利益をもたらす。本研究では, 様々な気象現象を規定する偏微分方程式を明示的に発見し, 直接的物理的解釈を伴う記号数学的モデルを特定することにより, 解釈可能性問題に対処する。本研究の目的は、特に、Wak形式における非線形ダイナミクスのスパース同定(WSINDy)アルゴリズムが、シミュレーションデータと同化データの両方から効果的な気象モデルを学習できることを実証することである。提案手法は,任意の空間次元の高次元流体データを扱うための標準WSINDyアルゴリズムに適応する。さらに, 対流演算子など, 積分不可能な項を扱う手法を開発した。

関連論文リスト

A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
気象学における多くの問題は、AIモデルを使って解決できる。データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
論文参考訳（メタデータ） (2025-04-19T04:31:35Z)
Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
論文参考訳（メタデータ） (2025-01-21T02:38:28Z)
Topological Approach for Data Assimilation [0.4972323953932129]
トポロジカルデータ解析の基礎となる新しいデータ同化アルゴリズムを提案する。パーシステンス関数の微分可能性を活用することにより、勾配勾配最適化は、測定と予測予測の間の位相的差を最小限に抑えるために用いられる。
論文参考訳（メタデータ） (2024-11-12T20:24:46Z)
Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文参考訳（メタデータ） (2024-06-01T09:03:32Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラル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。我々は、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を導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文参考訳（メタデータ） (2024-02-18T11:59:04Z)
FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文参考訳（メタデータ） (2023-12-16T02:07:56Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Scalable nonparametric Bayesian learning for heterogeneous and dynamic velocity fields [8.744017403796406]
速度場データの不均一および動的パターンを学習するモデルを開発した。複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
論文参考訳（メタデータ） (2021-02-15T17:45:46Z)
Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文参考訳（メタデータ） (2020-05-18T18:45:09Z)

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。