論文の概要: Generalizable Implicit Neural Representations via Parameterized Latent Dynamics for Baroclinic Ocean Forecasting
- arxiv url: http://arxiv.org/abs/2503.21588v1
- Date: Thu, 27 Mar 2025 15:04:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:51:40.540598
- Title: Generalizable Implicit Neural Representations via Parameterized Latent Dynamics for Baroclinic Ocean Forecasting
- Title(参考訳): Baroclinic Ocean Forecastingのためのパラメータ化潜在ダイナミクスによる一般化可能なインシシシトニューラル表現
- Authors: Guang Zhao, Xihaier Luo, Seungjun Lee, Yihui Ren, Shinjae Yoo, Luke Van Roekel, Balu Nadiga, Sri Hari Krishna Narayanan, Yixuan Sun, Wei Xu,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.223198342339803
- License:
- Abstract: Mesoscale ocean dynamics play a critical role in climate systems, governing heat transport, hurricane genesis, and drought patterns. However, simulating these processes at high resolution remains computationally prohibitive due to their nonlinear, multiscale nature and vast spatiotemporal domains. Implicit neural representations (INRs) reduce the computational costs as resolution-independent surrogates but fail in many-query scenarios (inverse modeling) requiring rapid evaluations across diverse parameters. We present PINROD, a novel framework combining dynamics-aware implicit neural representations with parameterized neural ordinary differential equations to address these limitations. By integrating parametric dependencies into latent dynamics, our method efficiently captures nonlinear oceanic behavior across varying boundary conditions and physical parameters. Experiments on ocean mesoscale activity data show superior accuracy over existing baselines and improved computational efficiency compared to standard numerical simulations.
- Abstract(参考訳): メソスケールの海洋力学は、気候システム、熱輸送、ハリケーンの発生、干ばつパターンにおいて重要な役割を果たしている。
しかし、これらの過程を高分解能でシミュレーションすることは、その非線形で多スケールな性質と広大な時空間領域のために計算的に禁じられている。
Inlicit Neural representations (INRs) は、解像度に依存しないサロゲートとして計算コストを削減するが、様々なパラメータの高速な評価を必要とする多くのクエリシナリオ(逆モデリング)では失敗する。
本稿では、動的認識型暗黙的ニューラル表現とパラメータ化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PINRODを提案する。
パラメトリック依存関係を潜在力学に統合することにより, 境界条件や物理パラメータの異なる非線形海洋挙動を効率的に捉えることができる。
海洋中規模活動データを用いた実験は, 既往のベースラインよりも精度が高く, 計算効率も標準数値シミュレーションより向上した。
関連論文リスト
- A Neural Operator-Based Emulator for Regional Shallow Water Dynamics [5.09419041446345]
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。
論文 参考訳(メタデータ) (2025-02-20T18:02:44Z) - Data-driven Modeling of Parameterized Nonlinear Fluid Dynamical Systems with a Dynamics-embedded Conditional Generative Adversarial Network [0.0]
本稿では,動的生成条件付きGAN(Dyn-cGAN)を代理モデルとして,パラメータ化非線形流体力学系を正確に予測する。
学習したDyn-cGANモデルはシステムの流れ場を正確に予測するためにシステムパラメータを考慮に入れている。
論文 参考訳(メタデータ) (2024-12-23T20:50:20Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳(メタデータ) (2023-09-27T00:12:07Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳(メタデータ) (2023-07-21T14:25:06Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Generalized Neural Closure Models with Interpretability [28.269731698116257]
我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。
マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。
本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
論文 参考訳(メタデータ) (2023-01-15T21:57:43Z) - Reduced order modeling of parametrized systems through autoencoders and
SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。
提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。
これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文 参考訳(メタデータ) (2022-11-13T01:57:18Z) - Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。
提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。
ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文 参考訳(メタデータ) (2022-04-29T11:55:35Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳(メタデータ) (2021-04-22T19:20:47Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z)
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。