論文の概要: Reparameterizing 4DVAR with neural fields

• arxiv url: http://arxiv.org/abs/2509.21751v1
• Date: Fri, 26 Sep 2025 01:30:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.114689
• Title: Reparameterizing 4DVAR with neural fields
• Title（参考訳）: ニューラルネットワークを用いた4DVARの再パラメータ化
• Authors: Jaemin Oh,
• Abstract要約: 本稿では,ニューラルネットワークによってパラメータ化された連続関数として全状態を表現したニューラルネットワークに基づく実装を提案する。 コルモゴロフ強制による2次元非圧縮性ナビエ-ストークス方程式の評価を行った。 多くの機械学習ベースのアプローチとは異なり、我々のフレームワークは地平線状態や再解析データへのアクセスを必要としない。
• 参考スコア（独自算出の注目度）: 1.4721615285883427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Four-dimensional variational data assimilation (4DVAR) is a cornerstone of numerical weather prediction, but its cost function is difficult to optimize and computationally intensive. We propose a neural field-based reformulation in which the full spatiotemporal state is represented as a continuous function parameterized by a neural network. This reparameterization removes the time-sequential dependency of classical 4DVAR, enabling parallel-in-time optimization in parameter space. Physical constraints are incorporated directly through a physics-informed loss, simplifying implementation and reducing computational cost. We evaluate the method on the two-dimensional incompressible Navier--Stokes equations with Kolmogorov forcing. Compared to a baseline 4DVAR implementation, the neural reparameterized variants produce more stable initial condition estimates without spurious oscillations. Notably, unlike most machine learning-based approaches, our framework does not require access to ground-truth states or reanalysis data, broadening its applicability to settings with limited reference information.
• Abstract（参考訳）: 4次元変動データ同化(4DVAR)は数値気象予測の基盤となっているが、そのコスト関数の最適化と計算集約は困難である。 ニューラルネットワークによってパラメータ化される連続関数として、全時空間状態が表現される、ニューラルネットワークに基づく再構成を提案する。 この再パラメータ化は、古典的な4DVARの時系列依存性を排除し、パラメータ空間における並列時間最適化を可能にする。 物理的制約は、物理情報損失によって直接組み込まれ、実装を簡素化し、計算コストを削減できる。 コルモゴロフ強制による2次元非圧縮性ナビエ-ストークス方程式の評価を行った。 ベースラインの4DVAR実装と比較して、ニューラルリパラメータ化された変種は、刺激的な振動を伴わないより安定した初期条件推定を生成する。 特に、多くの機械学習ベースのアプローチとは異なり、我々のフレームワークは地平線状態や再解析データへのアクセスを必要とせず、参照情報に制限のある設定に適用性を広げている。

関連論文リスト

• Accelerating PDE Solvers with Equation-Recast Neural Operator Preconditioning [9.178290601589365]
  Minimal-Data Parametric Neural Operator Preconditioning (MD-PNOP) はパラメトリックPDEソルバを高速化するための新しいパラダイムである。 パラメータ偏差の残差を、トレーニングされたニューラル演算子を使用して、オフラインでソリューションを洗練させる、追加のソース用語として再キャストする。 固定ソース、単一グループ固有値、および多群結合固有値問題に対する完全順序忠実度を維持しつつ、計算時間の50%削減を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-01T12:14:58Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression [57.40108516085593]
  ディープ・フィーチャー・インスツルメンタル・変数(DFIV)回帰(Deep Feature instrumental variable)は、ディープ・ニューラルネットワークによって学習されたデータ適応的特徴を用いたIV回帰に対する非パラメトリックなアプローチである。 DFIVアルゴリズムは,目的構造関数がベソフ空間にある場合,最小最適学習率を実現する。
  論文  参考訳（メタデータ） (2025-01-09T01:22:22Z)
• Neural information field filter [0.0]
  本稿では,高次元非線形力学系に対するニューラル情報場フィルタ,ベイズ状態およびパラメータ推定手法を提案する。 有限線形基底のスパンを用いて時間発展状態経路をパラメータ化する。 真の状態パスを知る前に表現的だが単純な線形基底を設計することは、推論の正確性には不可欠だが困難である。
  論文  参考訳（メタデータ） (2024-07-23T14:18:26Z)
• State-Free Inference of State-Space Models: The Transfer Function Approach [132.83348321603205]
  状態のない推論では、状態サイズが大きくなると大きなメモリや計算コストは発生しない。 提案した周波数領域転送関数のパラメトリゼーション特性を用いてこれを実現する。 長い畳み込みハイエナベースライン上での言語モデリングにおける難易度の改善を報告した。
  論文  参考訳（メタデータ） (2024-05-10T00:06:02Z)
• Neural variational Data Assimilation with Uncertainty Quantification using SPDE priors [28.804041716140194]
  ディープラーニングコミュニティの最近の進歩は、ニューラルネットワークと変分データ同化フレームワークを通じて、この問題に対処することができる。 本研究では、部分微分方程式(SPDE)とガウス過程(GP)の理論を用いて状態の空間的および時間的共分散を推定する。
  論文  参考訳（メタデータ） (2024-02-02T19:18:12Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)

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。