論文の概要: Trading Carbon for Physics: On the Resource Efficiency of Machine Learning for Spatio-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2509.24517v1
• Date: Mon, 29 Sep 2025 09:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.900072
• Title: Trading Carbon for Physics: On the Resource Efficiency of Machine Learning for Spatio-Temporal Forecasting
• Title（参考訳）: 物理のためのトレーディングカーボン:時空間予測のための機械学習の資源効率について
• Authors: Sophia N. Wilson, Jens Hesselbjerg Christensen, Raghavendra Selvan,
• Abstract要約: 本研究では,誘導バイアスがモデル効率,エネルギー,炭素間のトレードオフにどのように役立つかを考察する。 モデル設計に物理帰納バイアスを埋め込むことで、かなりの効率性が得られることを示す。 我々は、モデルの有効性を伴うモデル効率が、機械学習モデルの開発と展開を駆動する中核となるべきであると論じている。
• 参考スコア（独自算出の注目度）: 5.735035463793008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Development of modern deep learning methods has been driven primarily by the push for improving model efficacy (accuracy metrics). This sole focus on efficacy has steered development of large-scale models that require massive resources, and results in considerable carbon footprint across the model life-cycle. In this work, we explore how physics inductive biases can offer useful trade-offs between model efficacy and model efficiency (compute, energy, and carbon). We study a variety of models for spatio-temporal forecasting, a task governed by physical laws and well-suited for exploring different levels of physics inductive bias. We show that embedding physics inductive biases into the model design can yield substantial efficiency gains while retaining or even improving efficacy for the tasks under consideration. In addition to using standard physics-informed spatio-temporal models, we demonstrate the usefulness of more recent models like flow matching as a general purpose method for spatio-temporal forecasting. Our experiments show that incorporating physics inductive biases offer a principled way to improve the efficiency and reduce the carbon footprint of machine learning models. We argue that model efficiency, along with model efficacy, should become a core consideration driving machine learning model development and deployment.
• Abstract（参考訳）: 最新のディープラーニング手法の開発は、主にモデルの有効性向上(精度指標)の推進によって進められている。 この効果にのみ焦点が当てられているのは、大量の資源を必要とする大規模モデルの開発であり、結果としてモデルライフサイクル全体にわたってかなりの炭素フットプリントが生まれている。 本研究では、物理誘導バイアスがモデルの有効性とモデル効率(計算、エネルギー、炭素)のトレードオフにどのように役立つかを考察する。 本研究では,物理法則によって支配される課題である時空間予測の様々なモデルについて検討し,様々なレベルの物理帰納バイアスの探索に適していることを示す。 モデル設計に物理帰納バイアスを埋め込むことで,検討中の作業の効率性を維持したり改善したりしながら,かなりの効率向上が得られることを示す。 標準物理インフォームド時空間モデルの使用に加えて、時空間予測の汎用手法としてフローマッチングのような最近のモデルの有用性を実証する。 実験により,物理誘導バイアスを組み込むことで,機械学習モデルの効率向上と炭素フットプリントの削減が期待できることがわかった。 モデル効率は、モデルの有効性とともに、機械学習モデルの開発とデプロイを駆動する中核的な考慮事項となるべきだ、と我々は主張する。

関連論文リスト

• Integrating Physics-Based and Data-Driven Approaches for Probabilistic Building Energy Modeling [5.437298646956505]
  建築エネルギーモデリングは、建築エネルギーシステムの性能を最適化するための重要なツールである。 近年,両パラダイムの強みを組み合わせたハイブリッドアプローチが注目されている。
  論文  参考訳（メタデータ） (2025-07-23T14:07:33Z)
• Decomposing weather forecasting into advection and convection with neural networks [6.78786601630176]
  本稿では,動的コアの水平移動と物理パラメータ化の垂直移動を別々に学習する,シンプルで効果的な機械学習モデルを提案する。 我々のモデルは、大気モデルにおける変数の遷移をシミュレートするための、新しく効率的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-10T16:46:32Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Estimating Deep Learning energy consumption based on model architecture and training environment [5.465797591588829]
  モデルアーキテクチャと学習環境がエネルギー消費に与える影響について検討する。 適切なモデル学習環境の組み合わせを選択することで、トレーニングのエネルギー消費を最大80.68%削減できることがわかった。 本稿では,STEP(Stable Training Epoch Projection)とPRE(Pre-Treging Regression-based Estimation)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-07T12:07:59Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Minimal Value-Equivalent Partial Models for Scalable and Robust Planning in Lifelong Reinforcement Learning [56.50123642237106]
  モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。 このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。 我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-24T16:40:01Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。