論文の概要: A Machine Learning Framework for Predicting Microphysical Properties of Ice Crystals from Cloud Particle Imagery
- arxiv url: http://arxiv.org/abs/2507.19759v1
- Date: Sat, 26 Jul 2025 03:25:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:56.170177
- Title: A Machine Learning Framework for Predicting Microphysical Properties of Ice Crystals from Cloud Particle Imagery
- Title（参考訳）: 雲粒子画像からの氷結晶の物性予測のための機械学習フレームワーク
- Authors: Joseph Ko, Jerry Harrington, Kara Sulia, Vanessa Przybylo, Marcus van Lier-Walqui, Kara Lamb,
- Abstract要約: 質量や形態などの氷結晶の鍵となる性質を測定することは困難である。
本稿では,氷結晶の3次元ミクロ物理特性をin situ two-dimensional (2D)画像から予測する枠組みを提案する。
- 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: The microphysical properties of ice crystals are important because they significantly alter the radiative properties and spatiotemporal distributions of clouds, which in turn strongly affect Earth's climate. However, it is challenging to measure key properties of ice crystals, such as mass or morphological features. Here, we present a framework for predicting three-dimensional (3D) microphysical properties of ice crystals from in situ two-dimensional (2D) imagery. First, we computationally generate synthetic ice crystals using 3D modeling software along with geometric parameters estimated from the 2021 Ice Cryo-Encapsulation Balloon (ICEBall) field campaign. Then, we use synthetic crystals to train machine learning (ML) models to predict effective density ($\rho_{e}$), effective surface area ($A_e$), and number of bullets ($N_b$) from synthetic rosette imagery. When tested on unseen synthetic images, we find that our ML models can predict microphysical properties with high accuracy. For $\rho_{e}$ and $A_e$, respectively, our best-performing single view models achieved $R^2$ values of 0.99 and 0.98. For $N_b$, our best single view model achieved a balanced accuracy and F1 score of 0.91. We also quantify the marginal prediction improvements from incorporating a second view. A stereo view ResNet-18 model reduced RMSE by 40% for both $\rho_e$ and $A_e$, relative to a single view ResNet-18 model. For $N_b$, we find that a stereo view ResNet-18 model improved the F1 score by 8%. This work provides a novel ML-driven framework for estimating ice microphysical properties from in situ imagery, which will allow for downstream constraints on microphysical parameterizations, such as the mass-size relationship.
- Abstract（参考訳）: 氷結晶の微物理的性質は、雲の放射特性と時空間分布を著しく変化させ、地球の気候に強い影響を与えるため重要である。
しかし、質量や形態学的な特徴など、氷結晶の鍵となる性質を測定することは困難である。
本稿では,氷結晶の3次元ミクロ物理特性をin situ two-dimensional (2D)画像から予測する枠組みを提案する。
まず,2021年アイスクライオカプセルバルーン(ICEBall)フィールドキャンペーンから推定される幾何パラメータとともに,3次元モデリングソフトウェアを用いて合成氷結晶を計算的に生成する。
次に、合成結晶を用いて機械学習モデル(ML)をトレーニングし、有効密度(\rho_{e}$)、有効表面積(A_e$)、合成ロゼット画像からの弾丸数(N_b$)を予測する。
未知の合成画像で実験すると、我々のMLモデルは高精度で微視的特性を予測できることがわかった。
それぞれ$\rho_{e}$と$A_e$に対して、最高のパフォーマンスの単一ビューモデルは0.99と0.98の$R^2$を達成しました。
N_b$の場合、最良の単一ビューモデルはバランスの取れた精度とF1スコアが0.91である。
また、第2の視点を取り入れることで、限界予測の改善を定量化する。
ステレオビュー ResNet-18 モデルは、単一のビュー ResNet-18 モデルと比較して、$\rho_e$ と $A_e$ の両方で RMSE を40%削減した。
N_b$の場合、ステレオビューのResNet-18モデルでF1スコアが8%向上した。
この研究は、In situ画像から氷のミクロ物理特性を推定する新しいML駆動のフレームワークを提供し、質量-サイズ関係のようなミクロ物理パラメータ化の下流の制約を可能にする。
関連論文リスト
- Isotope-agnostic motional ground-state cooling of neutral Yb atoms [0.0]
フェルミオン型171ドルYbおよびボゾン型174ドルYb原子を2次元および3次元光学格子で直接冷却することを示した。
我々は,空間トラップの不均一性の影響を緩和するために,クロックレーザー周波数を洗浄するサイドバンド冷却方式を開発した。
同じスキームを3Dで適用すると、$barnsimeq0.15$は垂直方向の層間不均一性によって制限される。
論文 参考訳（メタデータ） (2025-06-10T17:54:45Z) - 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) - CrysToGraph: A Comprehensive Predictive Model for Crystal Materials Properties and the Benchmark [16.456990796982186]
我々はCrysToGraph(textbfCrys$tals with $textbfT$ransformers $textbfo$n $textbfGraph$s)を提案する。
CrysToGraphは、トランスフォーマーベースのグラフ畳み込みブロックと、グラフワイドトランスフォーマーブロックとの長距離インタラクションを効果的にキャプチャする。
これは既存のほとんどの方法より優れており、非伝統的な結晶と伝統的な結晶の両方のベンチマークで新しい最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-07-23T02:31:06Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - HybridNeRF: Efficient Neural Rendering via Adaptive Volumetric Surfaces [71.1071688018433]
ニューラル放射場は、最先端のビュー合成品質を提供するが、レンダリングが遅くなる傾向がある。
本稿では,ほとんどの物体を表面としてレンダリングすることで,両表現の強みを生かしたHybridNeRFを提案する。
仮想現実分解能(2Kx2K)のリアルタイムフレームレート(少なくとも36FPS)を達成しながら、エラー率を15～30%改善する。
論文 参考訳（メタデータ） (2023-12-05T22:04:49Z) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳（メタデータ） (2023-10-07T21:36:55Z) - A Three-regime Model of Network Pruning [47.92525418773768]
我々は、ニューラルネットワーク(NN)トレーニングのハイパーパラメータが刈り取り性能に与える影響をモデル化するために、温度のようなパラメータと負荷のようなパラメータを使用します。
プレプルーニングモデルにおける負荷様パラメータの値に依存すると、プレプルーニングモデルにおける温度様パラメータの値が増加するか、その後のプルーニング性能が向上または損なわれる可能性がある。
本モデルでは, 高温のダイコトモス効果は, ポストプランニングモデルにおいて, 異なるタイプの大域構造間の遷移と関係していることが明らかとなった。
論文 参考訳（メタデータ） (2023-05-28T08:09:25Z) - Physics-Informed Learning of Aerosol Microphysics [1.8553933848924635]
エアロゾル粒子は、放射を吸収し、散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
多くの気候モデルは、計算上の制約のため、エアロゾルを十分に詳細に含まない。
これは、ECHAM-HAMグローバル気候エアロゾルモデルでM7マイクロ物理を用いて行われる。
機械学習を用いて、マイクロ物理モデルを十分な精度でエミュレートし、推論時に高速に計算コストを削減することを目的としている。
論文 参考訳（メタデータ） (2022-07-24T18:26:52Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T17:59:57Z) - Complete crystal field calculation of Zeeman-hyperfine splittings in
europium [0.0]
我々は、Eu$3+$のゼーマン超微細構造の構造のモデルを示す。
このモデルは、他の非クラマー一重項状態の結晶場計算を改善するために使用できる。
論文 参考訳（メタデータ） (2021-10-08T05:24:31Z) - Emulating Aerosol Microphysics with a Machine Learning [1.6311150636417262]
エアロゾル粒子は、放射を吸収し、散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
多くの気候モデルはエアロゾルを十分に詳細に含まない。
これは、M7マイクロ物理モデルを用いて、ECHAM-HAMグローバル気候エアロゾルモデルで行われる。
機械学習を用いて、マイクロ物理モデルを十分な精度で近似し、推論時に高速に計算コストを削減することを目的としている。
論文 参考訳（メタデータ） (2021-09-22T08:42:19Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。