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

• Causally constrained reduced-order neural models of complex turbulent dynamical systems [0.6094969391643746]
  乱流系の低次ニューラルエミュレータにおいて,応答理論とスコアマッチングに基づくフレキシブルなフレームワークを導入し,非因果依存性を抑制する。 本稿では,低周波大気変動のプロトタイプとしてCharney-DeVoreモデルを用いたアプローチを紹介する。
  論文  参考訳（メタデータ） (2026-02-14T18:43:52Z)
• Causal Representation Meets Stochastic Modeling under Generic Geometry [49.24293444627916]
  我々は,連続時間潜在点過程の因果表現学習を開発する。 MUTATEは時間適応型遷移モジュールを持つ変分自動エンコーダフレームワークである。 シミュレーションおよび実証研究全体で、MUTATEは科学的疑問に効果的に答えられることが判明した。
  論文  参考訳（メタデータ） (2026-02-04T20:40:53Z)
• 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)
• Neural operators struggle to learn complex PDEs in pedestrian mobility: Hughes model case study [4.853898836835068]
  ヒューズモデル(Hughes model)は、群衆力学の1次双曲保存法体系である。 ニューラル作用素は、初期状態における不連続性の少ない簡単なシナリオでよく機能する。 彼らは複数の初期不連続性と動的境界条件を持つ複雑なシナリオで苦労する。
  論文  参考訳（メタデータ） (2025-04-25T11:26:41Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• 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)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• Targeted Reduction of Causal Models [55.11778726095353]
  因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。 本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。 複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
  論文  参考訳（メタデータ） (2023-11-30T15:46:22Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures Emulation [13.745581787463962]
  本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。 本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。 この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
  論文  参考訳（メタデータ） (2023-07-14T08:43:36Z)
• 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)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame Kernel Direct Numerical Simulation Data [0.0]
  この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。 その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-28T15:27:46Z)
• 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)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• 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)
• Machine Learning for Robust Identification of Complex Nonlinear Dynamical Systems: Applications to Earth Systems Modeling [8.896888286819635]
  カオスを示すシステムは地球科学の至るところに分布している。 システム同定は、気候科学における課題である。 我々は,気候科学におけるベンチマークモデルとして,2レベルロレンツ-96のカオスシステムを考える。
  論文  参考訳（メタデータ） (2020-08-12T22:37:12Z)

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。