論文の概要: Multiscale Neural PDE Surrogates for Prediction and Downscaling: Application to Ocean Currents
- arxiv url: http://arxiv.org/abs/2507.18067v1
- Date: Thu, 24 Jul 2025 03:42:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:42.932938
- Title: Multiscale Neural PDE Surrogates for Prediction and Downscaling: Application to Ocean Currents
- Title（参考訳）: 予測・ダウンスケーリングのためのマルチスケールニューラルネットワークPDEサロゲート:海洋電流への応用
- Authors: Abdessamad El-Kabid, Loubna Benabbou, Redouane Lguensat, Alex Hernández-García,
- Abstract要約: 高解像度の電流データは、沿岸管理、環境モニタリング、海洋安全に不可欠である。
本研究では、偏微分方程式を解くニューラルネットワークに基づく教師付きディープラーニングフレームワークを提案する。
提案手法は, 入力解像度に関わらず, PDEをモデル化し, 任意の解を任意の解で予測することができる。
- 参考スコア（独自算出の注目度）: 1.4937633645484905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate modeling of physical systems governed by partial differential equations is a central challenge in scientific computing. In oceanography, high-resolution current data are critical for coastal management, environmental monitoring, and maritime safety. However, available satellite products, such as Copernicus data for sea water velocity at ~0.08 degrees spatial resolution and global ocean models, often lack the spatial granularity required for detailed local analyses. In this work, we (a) introduce a supervised deep learning framework based on neural operators for solving PDEs and providing arbitrary resolution solutions, and (b) propose downscaling models with an application to Copernicus ocean current data. Additionally, our method can model surrogate PDEs and predict solutions at arbitrary resolution, regardless of the input resolution. We evaluated our model on real-world Copernicus ocean current data and synthetic Navier-Stokes simulation datasets.
- Abstract（参考訳）: 偏微分方程式によって制御される物理系の正確なモデリングは、科学計算における中心的な課題である。
海洋学では、高解像度の電流データは沿岸管理、環境モニタリング、海洋安全にとって重要である。
しかし、コペルニクスのデータのような利用可能な衛星製品は、約0.08°の空間分解能と大洋モデルであり、詳細な局部分析に必要な空間的粒度を欠いていることが多い。
この作品では、
(a)PDEを解き、任意の解決ソリューションを提供するニューラル演算子に基づく教師付きディープラーニングフレームワークを導入し、
(b)コペルニクス海流データに適用したダウンスケーリングモデルを提案する。
さらに,提案手法は,入力解像度によらず,任意の解像度でPDEをモデル化し,解を予測できる。
我々は,実世界のコペルニクス海流データと合成Navier-Stokesシミュレーションデータセットについて検討した。
関連論文リスト
- Scale-Consistent Learning for Partial Differential Equations [79.48661503591943]
本稿では,PDEのスケール一貫性特性に基づくデータ拡張手法を提案する。
次に、幅広いスケールをモデル化できるスケールインフォームド・ニューラル演算子を設計する。
スケール一貫性によって、1000ドルの$Re$でトレーニングされたモデルは、250から10000までの$Re$に一般化することができる。
論文 参考訳（メタデータ） (2025-07-24T21:29:52Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - Towards Kriging-informed Conditional Diffusion for Regional Sea-Level Data Downscaling [3.8178633709015446]
地球規模の気候モデルや衛星データから粗解射影を推定すると、下降問題は、より詳細な地域気候データを推定することを目的としている。
この問題は、気候変動による重大なリスクに対する効果的な適応、緩和、レジリエンスに社会的に不可欠である。
そこで本稿では, 空間的変動を抑えつつ, 微細な特徴を保ちながら, 空間的変動を捉えるためのKriging-informed Conditional Diffusion Probabilistic Model (Ki-CDPM)を提案する。
論文 参考訳（メタデータ） (2024-10-21T04:24:10Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Training neural mapping schemes for satellite altimetry with simulation
data [6.591483977714996]
深層学習スキームは、時空問題に対処する魅力的なソリューションとして登場してきた。
リアルタイムデータセットの不足は、実世界のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。
本稿では,海洋力学と衛星高度計の両方のシミュレーションを利用して,海面高さのシミュレーションに基づくニューラルマッピングを訓練する。
論文 参考訳（メタデータ） (2023-09-19T14:32:25Z) - 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) - Fourier Neural Operators for Arbitrary Resolution Climate Data
Downscaling [16.890326773246414]
本稿では,フーリエニューラル演算子に基づくダウンスケーリング手法を提案する。
提案手法は, 最先端の畳み込みモデルおよび生成的対向性ダウンスケーリングモデルより有意に優れていることを示す。
全体として、我々の研究は物理過程のシミュレーションと低解像度出力のギャップを埋める。
論文 参考訳（メタデータ） (2023-05-23T18:25:08Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - AirfRANS: High Fidelity Computational Fluid Dynamics Dataset for
Approximating Reynolds-Averaged Navier-Stokes Solutions [9.561442022004808]
本研究では,2次元非圧縮性定常状態Reynolds-Averaged Navier-Stokes方程式のサブソニックな状態における翼上における解析モデルであるAirfRANSを開発した。
また,測地面の応力力と境界層の可視化の指標を導入し,モデルの性能を評価し,問題の有意義な情報を正確に予測する。
論文 参考訳（メタデータ） (2022-12-15T00:41:09Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳（メタデータ） (2022-10-11T14:52:20Z)
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。