論文の概要: NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation

• arxiv url: http://arxiv.org/abs/2505.21020v1
• Date: Tue, 27 May 2025 10:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.591676
• Title: NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation
• Title（参考訳）: NeuralOM: 海底-海底シミュレーションのためのニューラルオーシャンモデル
• Authors: Yuan Gao, Ruiqi Shu, Hao Wu, Fan Xu, Yanfei Xiang, Ruijian Gou, Qingsong Wen, Xian Wu, Xiaomeng Huang,
• Abstract要約: マルチスケール対話型グラフニューラルネットワークを用いたS2S海洋シミュレーションのためのニューラルオーシャンモデル(NeuralOM)を提案する。 複雑な動的振る舞いを捉えるために,マルチスケールの対話型メッセージングモジュールを導入する。 提案するNeuralOMは,S2Sにおける最先端モデルと極端なイベントシミュレーションより優れている。
• 参考スコア（独自算出の注目度）: 40.049839833791154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate Subseasonal-to-Seasonal (S2S) ocean simulation is critically important for marine research, yet remains challenging due to its substantial thermal inertia and extended time delay. Machine learning (ML)-based models have demonstrated significant advancements in simulation accuracy and computational efficiency compared to traditional numerical methods. Nevertheless, a significant limitation of current ML models for S2S ocean simulation is their inadequate incorporation of physical consistency and the slow-changing properties of the ocean system. In this work, we propose a neural ocean model (NeuralOM) for S2S ocean simulation with a multi-scale interactive graph neural network to emulate diverse physical phenomena associated with ocean systems effectively. Specifically, we propose a multi-stage framework tailored to model the ocean's slowly changing nature. Additionally, we introduce a multi-scale interactive messaging module to capture complex dynamical behaviors, such as gradient changes and multiplicative coupling relationships inherent in ocean dynamics. Extensive experimental evaluations confirm that our proposed NeuralOM outperforms state-of-the-art models in S2S and extreme event simulation. The codes are available at https://github.com/YuanGao-YG/NeuralOM.
• Abstract（参考訳）: S2S海洋シミュレーションは海洋研究において極めて重要であるが、その相当な熱慣性と長期の遅延のために依然として困難である。 機械学習(ML)に基づくモデルでは、従来の数値法と比較してシミュレーション精度と計算効率が著しく向上している。 しかしながら、S2S海洋シミュレーションの現在のMLモデルの顕著な制限は、それらの物理的整合性の不十分な取り込みと、海洋系のゆっくりと変化する性質である。 本研究では,S2S海洋シミュレーションのためのニューラルオーシャンモデル (NeuralOM) を提案する。 具体的には、海洋のゆっくりと変化する性質をモデル化するための多段階の枠組みを提案する。 さらに,海洋力学に固有の勾配変化や乗法的結合関係などの複雑な動的挙動を捉えるために,マルチスケールの対話型メッセージングモジュールを導入する。 大規模実験により,提案したNeuralOMはS2Sの最先端モデルと極端な事象シミュレーションより優れていたことが確認された。 コードはhttps://github.com/YuanGao-YG/NeuralOM.comで公開されている。

関連論文リスト

• Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling [0.8999666725996978]
  沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。 従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-07-20T16:06:10Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• OmniFluids: Unified Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、物理を事前訓練した演算子学習フレームワークである。 物理学のみの事前訓練、粗い乾燥したオペレーター蒸留、および数発の微調整を統合している。 流れ場再構成や乱流統計の精度において、最先端のAI駆動手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• 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)
• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。 SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。 本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• Surrogate Neural Networks to Estimate Parametric Sensitivity of Ocean Models [2.956865819041394]
  海洋プロセスはハリケーンや干ばつなどの現象に影響を与える。 理想的な海洋モデルでは、摂動パラメータアンサンブルデータと訓練された代理ニューラルネットワークモデルを生成した。 ニューラルサロゲートは1ステップの前進ダイナミクスを正確に予測し、パラメトリック感度を計算した。
  論文  参考訳（メタデータ） (2023-11-10T16:37:43Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• AI-GOMS: Large AI-Driven Global Ocean Modeling System [3.635120568177384]
  海洋モデリングは、海洋の物理的、化学的、生物学的過程をシミュレートするための強力なツールである。 本稿では,AIによる大規模海洋モデリングシステムであるAI-GOMSについて紹介する。
  論文  参考訳（メタデータ） (2023-08-06T15:59:30Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Learning Free-Surface Flow with Physics-Informed Neural Networks [0.0]
  物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。 これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-11-17T18:45:55Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Alternating ConvLSTM: Learning Force Propagation with Alternate State Updates [29.011464047344614]
  本稿では, 変形可能な物体の力伝達機構をモデル化した交互畳み込み長短期記憶(Alt-ConvLSTM)を提案する。 数値PDE解法のフォワード法において,この手法が第1項と第2項の交互更新を模倣することを示す。 ヒト軟組織シミュレーションにおけるAlt-ConvLSTMの有効性を検討した。
  論文  参考訳（メタデータ） (2020-06-14T06:43:33Z)

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。