論文の概要: Neural models of multiscale systems: conceptual limitations, stochastic parametrizations, and a climate application
- arxiv url: http://arxiv.org/abs/2506.22552v1
- Date: Fri, 27 Jun 2025 18:04:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.460223
- Title: Neural models of multiscale systems: conceptual limitations, stochastic parametrizations, and a climate application
- Title（参考訳）: マルチスケールシステムのニューラルモデル:概念的限界、確率的パラメトリゼーションおよび気候応用
- Authors: Fabrizio Falasca,
- Abstract要約: 気候モデルは、定常統計と外部の摂動に対する応答の両方を捉えなければならない。
現在の自己回帰神経モデルはしばしば前者を再現するが、通常は後者と競合する。
我々は、複雑なシステムの巧妙なエミュレーションにおいて、物理的に根ざした戦略は概念的にも実用的にも重要であると論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work explores key conceptual limitations in data-driven modeling of multiscale dynamical systems, focusing on neural emulators and stochastic climate modeling. A skillful climate model should capture both stationary statistics and responses to external perturbations. While current autoregressive neural models often reproduce the former, they typically struggle with the latter. We begin by analyzing a low-dimensional dynamical system to expose, by analogy, fundamental limitations that persist in high-dimensional settings. Specifically, we construct neural stochastic models under two scenarios: one where the full state vector is observed, and another with only partial observations (i.e. a subset of variables). In the first case, the models accurately capture both equilibrium statistics and forced responses in ensemble mean and variance. In the more realistic case of partial observations, two key challenges emerge: (i) identifying the \textit{proper} variables to model, and (ii) parameterizing the influence of unobserved degrees of freedom. These issues are not specific to neural networks but reflect fundamental limitations of data-driven modeling and the need to target the slow dynamics of the system. We argue that physically grounded strategies -- such as coarse-graining and stochastic parameterizations -- are critical, both conceptually and practically, for the skillful emulation of complex systems like the coupled climate system. Building on these insights, we turn to a more realistic application: a stochastic reduced neural model of the sea surface temperature field and the net radiative flux at the top of the atmosphere, assessing its stationary statistics, response to temperature forcing, and interpretability.
- Abstract（参考訳）: この研究は、ニューラルネットワークエミュレータと確率的気候モデリングに焦点をあて、マルチスケールの力学系のデータ駆動モデリングにおける重要な概念的限界を探求する。
熟練した気候モデルでは、定常統計と外部の摂動に対する応答の両方を捉える必要がある。
現在の自己回帰型ニューラルモデルは前者をしばしば再現するが、通常は後者と競合する。
まず、低次元の力学系を分析して、高次元設定で持続する基本的な制約を例示する。
具体的には、完全な状態ベクトルが観測される場合と、部分的な観測(変数のサブセット)しか持たない場合の2つのシナリオに基づいて、神経確率モデルを構築する。
最初のケースでは、モデルが平衡統計と強制応答の両方をアンサンブル平均と分散で正確に捉えている。
より現実的な部分観察の場合、二つの大きな課題が浮かび上がる。
i) \textit{proper} 変数をモデルに識別し、
(二)未観測自由度の影響をパラメタライズすること。
これらの問題はニューラルネットワークに固有のものではなく、データ駆動モデリングの基本的制限と、システムの遅いダイナミクスをターゲットとする必要性を反映している。
我々は、粗粒化や確率的パラメータ化のような物理的に根ざした戦略が、複合気候システムのような複雑なシステムの巧妙なエミュレーションにおいて、概念的にも実用的にも重要であると論じている。
これらの知見に基づいて、我々はより現実的な応用に目を向ける: 海面温度場の確率的に減少するニューラルモデルと大気の上部のネット放射フラックス、静止統計、温度強制応答、解釈可能性。
関連論文リスト
- Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。
Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
論文 参考訳（メタデータ） (2024-10-02T09:44:54Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Physics-informed Discovery of State Variables in Second-Order and Hamiltonian Systems [1.7406327893433848]
本研究では, 2階ハミルトニアン系の物理特性を利用してベースラインモデルを制約する手法を提案する。
提案モデルでは,非冗長かつ解釈可能な状態変数の最小セットを特定することにより,ベースラインモデルよりも優れる。
論文 参考訳（メタデータ） (2024-08-21T15:10:50Z) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - Learning Spatiotemporal Dynamical Systems from Point Process Observations [7.381752536547389]
現在のニューラルネットワークベースのモデルアプローチは、時間と空間でランダムに収集されるデータに直面したときに不足する。
そこで我々は,このようなプロセス観察から効果的に学習できる新しい手法を開発した。
我々のモデルは、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現、そしてアモータライズされた変分推論の技法を統合している。
論文 参考訳（メタデータ） (2024-06-01T09:03:32Z) - 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) - Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive
Models [2.7391842773173334]
我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。
この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
論文 参考訳（メタデータ） (2022-11-23T17:42:53Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - 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)
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。