論文の概要: FastNet: Improving the physical consistency of machine-learning weather prediction models through loss function design

• arxiv url: http://arxiv.org/abs/2509.17601v1
• Date: Mon, 22 Sep 2025 11:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.336412
• Title: FastNet: Improving the physical consistency of machine-learning weather prediction models through loss function design
• Title（参考訳）: FastNet:損失関数設計による機械学習天気予報モデルの物理的整合性の改善
• Authors: Tom Dunstan, Oliver Strickson, Thusal Bennett, Jack Bowyer, Matthew Burnand, James Chappell, Alejandro Coca-Castro, Kirstine Ida Dale, Eric G. Daub, Noushin Eftekhari, Manvendra Janmaijaya, Jon Lillis, David Salvador-Jasin, Nathan Simpson, Ryan Sze-Yin Chan, Mohamad Elmasri, Lydia Allegranza France, Sam Madge, Levan Bokeria, Hannah Brown, Tom Dodds, Anna-Louise Ellis, David Llewellyn-Jones, Theo McCaie, Sophia Moreton, Tom Potter, James Robinson, Adam A. Scaife, Iain Stenson, David Walters, Karina Bett-Williams, Louisa van Zeeland, Peter Yatsyshin, J. Scott Hosking,
• Abstract要約: 本研究では,グラフニューラルネットワーク(GNN)を用いたグローバル予測モデルであるFastNetを提案する。 本研究では, 代替損失関数の設計が予測の物理的リアリズム改善に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 23.81615870716115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning weather prediction (MLWP) models have demonstrated remarkable potential in delivering accurate forecasts at significantly reduced computational cost compared to traditional numerical weather prediction (NWP) systems. However, challenges remain in ensuring the physical consistency of MLWP outputs, particularly in deterministic settings. This study presents FastNet, a graph neural network (GNN)-based global prediction model, and investigates the impact of alternative loss function designs on improving the physical realism of its forecasts. We explore three key modifications to the standard mean squared error (MSE) loss: (1) a modified spherical harmonic (MSH) loss that penalises spectral amplitude errors to reduce blurring and enhance small-scale structure retention; (2) inclusion of horizontal gradient terms in the loss to suppress non-physical artefacts; and (3) an alternative wind representation that decouples speed and direction to better capture extreme wind events. Results show that while the MSH and gradient-based losses \textit{alone} may slightly degrade RMSE scores, when trained in combination the model exhibits very similar MSE performance to an MSE-trained model while at the same time significantly improving spectral fidelity and physical consistency. The alternative wind representation further improves wind speed accuracy and reduces directional bias. Collectively, these findings highlight the importance of loss function design as a mechanism for embedding domain knowledge into MLWP models and advancing their operational readiness.
• Abstract（参考訳）: 機械学習天気予報(MLWP)モデルは,従来の数値天気予報(NWP)システムと比較して,計算コストを大幅に削減した精度の予測を行う上で,顕著な可能性を示している。 しかし、MLWP出力の物理的整合性の確保、特に決定論的設定は依然として課題である。 本研究では,グラフニューラルネットワーク(GNN)を用いたグローバル予測モデルであるFastNetについて述べる。 本研究では, 標準平均二乗誤差 (MSE) の損失に対して, 1) スペクトル振幅誤差を補正し, ぼかしを低減し, 小型構造物の維持を促進させる改良された球面高調波損失 (MSH) , 2) 非物理的アーチファクトを抑制するために損失に水平勾配項を含ませること, (3) 極端な風のイベントをより正確に捉えるために速度と方向を分離する代替風の表現について検討する。 その結果、MSHと勾配に基づく損失はRMSEスコアをわずかに低下させるが、MSEトレーニングモデルと非常に類似したMSE性能を示すと同時に、スペクトルの忠実度と物理的整合性を著しく向上させることがわかった。 代替風速表現は風速精度をさらに向上し、方向バイアスを低減する。 これらの知見は,MLWPモデルにドメイン知識を組み込むメカニズムとして,損失関数設計の重要性を強調した。

関連論文リスト

• Multi-Channel Swin Transformer Framework for Bearing Remaining Useful Life Prediction [2.600463444320238]
  本稿では,ウェーブレットに基づくデノベーション手法であるウェーブレットパケット分解(WPD)と,これらの問題に対処するためにカスタマイズされたマルチチャネルスウィントランスモデル(MCSFormer)を組み合わせた新しいフレームワークを提案する。 特徴融合のための注意機構を組み込んだモデルでは、グローバルおよび局所的な劣化パターンを学習するように設計されている。 カスタマイズされた損失関数は、早期と後期の予測を区別するために、この作業の重要な区別として開発されている。
  論文  参考訳（メタデータ） (2025-05-20T20:44:38Z)
• Fixing the Double Penalty in Data-Driven Weather Forecasting Through a Modified Spherical Harmonic Loss Function [2.4020585213586387]
  GraphCastモデルを微調整すると、鋭い決定論的天気予報、有効解像度が1,250kmから160kmに向上し、アンサンブルの改善が広がる。
  論文  参考訳（メタデータ） (2025-01-31T18:23:45Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting [42.640766130080415]
  本稿ではまず,簡単な3重最適化手法(TriOpts)を提案する。 次に、DNNの予測動作を解釈するために、置換特徴重要度(PFI)と局所解釈モデル非依存的説明(LIME)技術を提案する。
  論文  参考訳（メタデータ） (2023-12-25T14:29:09Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)

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。