論文の概要: Discovering the dynamics of \emph{Sargassum} rafts' centers of mass
- arxiv url: http://arxiv.org/abs/2507.18771v1
- Date: Thu, 24 Jul 2025 19:40:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:48.739557
- Title: Discovering the dynamics of \emph{Sargassum} rafts' centers of mass
- Title（参考訳）: \emph{Sargassum} いかだの質量中心の動力学の発見
- Authors: Francisco J. Beron-Vera, Gage Bonner,
- Abstract要約: 2011年以降、浮かぶエフェサガサムのいかだは、アメリカ大陸内海の沿岸部をしばしば妨害している。
eBOMBモデルと呼ばれるこの方程式は、EmphSargassumの塊と地球の自転の相互作用を組み込んだマクシー・ライリー次元方程式に基づいている。
いかだの中心の質量に関する予測法が存在しないことは、機械学習の必要性を示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since 2011, rafts of floating \emph{Sargassum} seaweed have frequently obstructed the coasts of the Intra-Americas Seas. The motion of the rafts is represented by a high-dimensional nonlinear dynamical system. Referred to as the eBOMB model, this builds on the Maxey--Riley equation by incorporating interactions between clumps of \emph{Sargassum} forming a raft and the effects of Earth's rotation. The absence of a predictive law for the rafts' centers of mass suggests a need for machine learning. In this paper, we evaluate and contrast Long Short-Term Memory (LSTM) Recurrent Neural Networks (RNNs) and Sparse Identification of Nonlinear Dynamics (SINDy). In both cases, a physics-inspired closure modeling approach is taken rooted in eBOMB. Specifically, the LSTM model learns a mapping from a collection of eBOMB variables to the difference between raft center-of-mass and ocean velocities. The SINDy model's library of candidate functions is suggested by eBOMB variables and includes windowed velocity terms incorporating far-field effects of the carrying flow. Both LSTM and SINDy models perform most effectively in conditions with tightly bonded clumps, despite declining precision with rising complexity, such as with wind effects and when assessing loosely connected clumps. The LSTM model delivered the best results when designs were straightforward, with fewer neurons and hidden layers. While LSTM model serves as an opaque black-box model lacking interpretability, the SINDy model brings transparency by discerning explicit functional relationships through the function libraries. Integration of the windowed velocity terms enabled effective modeling of nonlocal interactions, particularly in datasets featuring sparsely connected rafts.
- Abstract（参考訳）: 2011年以降、海底に浮かぶ海藻のいかだは、アメリカ大陸内海の沿岸部を頻繁に妨害してきた。
いかだの運動は高次元の非線形力学系で表される。
eBOMBモデルとして参照され、これはマキシ-ライリー方程式に基づいて、いかだを形成する「emph{Sargassum}」のクランプ間の相互作用と地球の自転の影響を組み込んだものである。
いかだの中心の質量に関する予測法が存在しないことは、機械学習の必要性を示唆している。
本稿では,Long Short-Term Memory (LSTM) Recurrent Neural Networks (RNNs) とSparse Identification of Non dynamic Dynamics (SINDy) の評価と対比を行う。
どちらの場合も、物理学に着想を得た閉包モデリングアプローチは eBOMB に根ざしている。
具体的には、LSTMモデルは、eBOMB変数の集合から、いかだ中心の質量と海洋速度の違いへのマッピングを学習する。
SINDyモデルの候補関数のライブラリーはeBOMB変数によって提案され、搬送流の遠距離場効果を取り入れた窓付き速度項を含む。
LSTMモデルとSINDyモデルの両方は、風の影響や緩やかに連結されたクランプの評価といった複雑さの増大に伴う精度の低下にもかかわらず、密結合されたクランプを持つ条件下で最も効果的に機能する。
LSTMモデルは、設計が単純で、ニューロンが少なく、隠れた層がある場合に最も良い結果をもたらした。
LSTMモデルは解釈可能性に欠ける不透明なブラックボックスモデルとして機能するが、SINDyモデルは関数ライブラリを通して明示的な関数関係を識別することで透明性をもたらす。
ウィンドウ化された速度項の統合は、特に疎結合ないかだを特徴とするデータセットにおいて、非局所的な相互作用の効果的なモデリングを可能にした。
関連論文リスト
- FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Modeling Cell Dynamics and Interactions with Unbalanced Mean Field Schrödinger Bridge [9.229946487941056]
CytoBridgeは、Un Balanced MeanField Schr"odinger Bridge (UMFSB) 問題を近似するために設計されたディープラーニングアルゴリズムである。
ニューラルネットワークを通じて細胞移行、増殖、相互作用を明示的にモデル化することで、CytoBridgeはこれらのプロセスをデータから直接学習する柔軟性を提供する。
論文 参考訳（メタデータ） (2025-05-16T12:55:13Z) - Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。
本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
論文 参考訳（メタデータ） (2025-02-11T22:14:30Z) - Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Machine-Learned Closure of URANS for Stably Stratified Turbulence: Connecting Physical Timescales & Data Hyperparameters of Deep Time-Series Models [0.0]
我々は、非定常レイノルズ平均ナビエストークス方程式のクロージャモデリングのための時系列機械学習(ML)法を開発した。
我々は, 均一密度勾配により均一で安定に成層された崩壊SSTを考察した。
MLモデルがSSTの力学を正確に捉えるために必要な最小情報の時間尺度の比率は,流れのレイノルズ数と一致することがわかった。
論文 参考訳（メタデータ） (2024-04-24T18:58:00Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - A Decoupled Spatio-Temporal Framework for Skeleton-based Action
Segmentation [89.86345494602642]
既存の手法は、弱い時間的モデリング能力に制限されている。
この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。
DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-12-10T09:11:39Z) - Deep Learning Closure Models for Large-Eddy Simulation of Flows around
Bluff Bodies [0.0]
大渦シミュレーション(LES)のための深層学習モデルを開発し, 中間レイノルズ数での矩形円筒まわりの非圧縮性流れについて評価した。
DL-LESモデルは, 直接数値シミュレーション(DNS)データと密に一致させるために, 随伴PDE最適化法を用いて訓練される。
本研究では, 抵抗係数, 平均流量, レイノルズ応力を予測するためのDL-LESモデルの精度について検討した。
論文 参考訳（メタデータ） (2022-08-06T11:25:50Z) - Approximated Bilinear Modules for Temporal Modeling [116.6506871576514]
CNNの2層は補助ブランチサンプリングを追加することで、時間的双線形モジュールに変換できる。
我々のモデルは、事前トレーニングなしで、Something v1とv2データセットの最先端メソッドよりも優れている。
論文 参考訳（メタデータ） (2020-07-25T09:07:35Z)
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。