論文の概要: A Neural Operator-Based Emulator for Regional Shallow Water Dynamics
- arxiv url: http://arxiv.org/abs/2502.14782v1
- Date: Thu, 20 Feb 2025 18:02:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 22:18:11.788029
- Title: A Neural Operator-Based Emulator for Regional Shallow Water Dynamics
- Title（参考訳）: 局所浅水ダイナミクスのためのニューラル演算子に基づくエミュレータ
- Authors: Peter Rivera-Casillas, Sourav Dutta, Shukai Cai, Mark Loveland, Kamaljyoti Nath, Khemraj Shukla, Corey Trahan, Jonghyun Lee, Matthew Farthing, Clint Dawson,
- Abstract要約: 沿岸部は特に海面上昇や極端な気象現象の影響を受けやすい。
これらの地域の流体力学過程の正確なリアルタイム予測は、インフラ計画と気候適応に不可欠である。
本稿では,高次元数値解法を効率よく近似するために次元還元を用いた自己回帰型ニューラルエミュレータを提案する。
- 参考スコア（独自算出の注目度）: 5.09419041446345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coastal regions are particularly vulnerable to the impacts of rising sea levels and extreme weather events. Accurate real-time forecasting of hydrodynamic processes in these areas is essential for infrastructure planning and climate adaptation. In this study, we present the Multiple-Input Temporal Operator Network (MITONet), a novel autoregressive neural emulator that employs dimensionality reduction to efficiently approximate high-dimensional numerical solvers for complex, nonlinear problems that are governed by time-dependent, parameterized partial differential equations. Although MITONet is applicable to a wide range of problems, we showcase its capabilities by forecasting regional tide-driven dynamics described by the two-dimensional shallow-water equations, while incorporating initial conditions, boundary conditions, and a varying domain parameter. We demonstrate MITONet's performance in a real-world application, highlighting its ability to make accurate predictions by extrapolating both in time and parametric space.
- Abstract（参考訳）: 沿岸部は特に海面上昇や極端な気象現象の影響を受けやすい。
これらの地域の流動過程の正確なリアルタイム予測は、インフラ計画と気候適応に不可欠である。
本研究では,時間依存型パラメータ化偏微分方程式によって支配される複素非線形問題に対する高次元数値解法を効率的に近似するために,次元削減を用いた新しい自己回帰型ニューラルエミュレータであるMultiple-Input Temporal Operator Network (MITONet)を提案する。
MITONetは幅広い問題に適用できるが、2次元浅水方程式で記述された局所潮流駆動力学を予測し、初期条件、境界条件、および様々な領域パラメータを組み込むことでその能力を示す。
我々は、実世界のアプリケーションでMITONetのパフォーマンスを実証し、時間とパラメトリック空間の両方を外挿することで正確な予測を行う能力を強調した。
関連論文リスト
- Generalizable Implicit Neural Representations via Parameterized Latent Dynamics for Baroclinic Ocean Forecasting [15.223198342339803]
PINRODは、動的に認識される暗黙のニューラル表現とパラメータ化されたニューラル常微分方程式を組み合わせた新しいフレームワークである。
海洋中規模パラメトリック活動の実験は、既存のベースラインよりも精度が高い。
論文 参考訳（メタデータ） (2025-03-27T15:04:52Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - Super-Resolution works for coastal simulations [6.263499279406057]
高解像度のシミュレーションは、特に津波や暴風雨による洪水を予測するために、多くのプロセスの理解を深めるために必要である。
本稿では,高分解能数値解を効率的に学習するための超解法拡張のためのDeep Networkを提案する。
提案手法は,最先端の手法と比較して,高精細度で高速な計算が可能である。
論文 参考訳（メタデータ） (2024-08-29T14:16:13Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。
ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。
提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
論文 参考訳（メタデータ） (2024-04-15T06:38:21Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Learning Efficient Surrogate Dynamic Models with Graph Spline Networks [28.018442945654364]
物理システムの予測を高速化する新しいディープラーニング手法であるGraphSplineNetsを提案する。
本手法は,時間と空間における任意の位置での応答を効率的に予測するために,2つの微分可能なスプラインコロケーション法を用いている。
論文 参考訳（メタデータ） (2023-10-25T06:32:47Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Towards Fast Simulation of Environmental Fluid Mechanics with
Multi-Scale Graph Neural Networks [0.0]
我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。
本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。
MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2～4桁高速である。
論文 参考訳（メタデータ） (2022-05-05T13:33:03Z) - Multioutput Gaussian Processes with Functional Data: A Study on Coastal
Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。
いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。
我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文 参考訳（メタデータ） (2020-07-28T08:15:17Z)
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。