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

• 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)
• 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)
• 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)
• 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)

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。