論文の概要: Scientific machine learning in Hydrology: a unified perspective

• arxiv url: http://arxiv.org/abs/2506.06308v1
• Date: Sat, 24 May 2025 15:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.041269
• Title: Scientific machine learning in Hydrology: a unified perspective
• Title（参考訳）: 水文学における科学機械学習 : 統一的な視点
• Authors: Adoubi Vincent De Paul Adombi,
• Abstract要約: 科学機械学習(SciML)は、物理知識をデータ駆動モデリングに統合するための構造化されたアプローチを提供する。 物理インフォームド機械学習、物理誘導機械学習、ハイブリッド物理マシンラーニング、データ駆動型物理発見など、複数の方法論ファミリが出現している。 本稿では,SciMLファミリーごとに統一された方法論的枠組みを提案し,概念的明確性を促進するコヒーレントな構造にコントリビューションをまとめる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific machine learning (SciML) provides a structured approach to integrating physical knowledge into data-driven modeling, offering significant potential for advancing hydrological research. In recent years, multiple methodological families have emerged, including physics-informed machine learning, physics-guided machine learning, hybrid physics-machine learning, and data-driven physics discovery. Within each of these families, a proliferation of heterogeneous approaches has developed independently, often without conceptual coordination. This fragmentation complicates the assessment of methodological novelty and makes it difficult to identify where meaningful advances can still be made in the absence of a unified conceptual framework. This review, the first focused overview of SciML in hydrology, addresses these limitations by proposing a unified methodological framework for each SciML family, bringing together representative contributions into a coherent structure that fosters conceptual clarity and supports cumulative progress in hydrological modeling. Finally, we highlight the limitations and future opportunities of each unified family to guide systematic research in hydrology, where these methods remain underutilized.
• Abstract（参考訳）: 科学機械学習(SciML)は、物理知識をデータ駆動モデリングに統合するための構造化されたアプローチを提供する。 近年、物理インフォームド機械学習、物理誘導機械学習、ハイブリッド物理機械学習、データ駆動型物理発見など、複数の方法論ファミリが出現している。 これらの族の中では、しばしば概念的な調整なしに、異種アプローチの拡散が独立に発達している。 この断片化は、方法論的ノベルティの評価を複雑にし、統一された概念的枠組みが欠如している場合に、意味のある進歩がどこにあるかを特定するのを難しくする。 本稿では,水文学におけるSciMLの初歩的な概要として,各SciMLファミリーに統一的な方法論的枠組みを提案することにより,これらの制約に対処し,概念的明瞭さを育み,水理モデリングにおける累積的な進歩をサポートするコヒーレントな構造に代表的貢献をもたらす。 最後に、これらの手法が未利用のままである水文学の体系的な研究を指導するために、統一された家族の限界と将来的な機会を強調した。

関連論文リスト

• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• A Mass-Conserving-Perceptron for Machine Learning-Based Modeling of Geoscientific Systems [1.1510009152620668]
  我々は,PCベースとMLベースのモデリングアプローチのギャップを埋める手段として,物理的に解釈可能なMass Conserving Perceptron (MCP)を提案する。 MCPは、PCモデルの基礎となる有向グラフ構造とGRNNの間の固有同型を利用して、物理過程の質量保存性を明確に表す。
  論文  参考訳（メタデータ） (2023-10-12T18:09:33Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Integrating Scientific Knowledge with Machine Learning for Engineering and Environmental Systems [5.23043130762977]
  複雑な科学と工学の問題に対する解決策が、新しい方法論を必要とするという意見の一致はますます高まっている。 本稿では,そのような手法について概説する。 次に、これらの既存の手法の分類法を提供し、知識ギャップと、規律間の方法の潜在的な相互オーバーを明らかにする。
  論文  参考訳（メタデータ） (2020-03-10T18:24:41Z)

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。