論文の概要: Principled Operator Learning in Ocean Dynamics: The Role of Temporal Structure

• arxiv url: http://arxiv.org/abs/2510.09792v1
• Date: Fri, 10 Oct 2025 18:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.626689
• Title: Principled Operator Learning in Ocean Dynamics: The Role of Temporal Structure
• Title（参考訳）: 海洋力学における原理的演算子学習--時間構造の役割
• Authors: Vahidreza Jahanmard, Ali Ramezani-Kebrya, Robinson Hordoir,
• Abstract要約: 本研究では,標準フーリエニューラル演算子(FNO)とその変種であるFNOtDを比較し,海洋PDEの解演算子を学習しながら分散関係を内部化するために修正した。 その結果、積分カーネルのトレーニングにおけるエンタングリング空間と時間により、マルチスケール波動伝搬を捕捉し、海洋力学を効果的に学習できることを示した。
• 参考スコア（独自算出の注目度）: 2.5234156040689233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural operators are becoming the default tools to learn solutions to governing partial differential equations (PDEs) in weather and ocean forecasting applications. Despite early promising achievements, significant challenges remain, including long-term prediction stability and adherence to physical laws, particularly for high-frequency processes. In this paper, we take a step toward addressing these challenges in high-resolution ocean prediction by incorporating temporal Fourier modes, demonstrating how this modification enhances physical fidelity. This study compares the standard Fourier Neural Operator (FNO) with its variant, FNOtD, which has been modified to internalize the dispersion relation while learning the solution operator for ocean PDEs. The results demonstrate that entangling space and time in the training of integral kernels enables the model to capture multiscale wave propagation and effectively learn ocean dynamics. FNOtD substantially improves long-term prediction stability and consistency with underlying physical dynamics in challenging high-frequency settings compared to the standard FNO. It also provides competitive predictive skill relative to a state-of-the-art numerical ocean model, while requiring significantly lower computational cost.
• Abstract（参考訳）: ニューラル作用素は、気象および海洋予報の応用において偏微分方程式(PDE)を規定する解を学ぶためのデフォルトのツールになりつつある。 初期の有望な成果にもかかわらず、特に高周波プロセスにおいて、長期的な予測安定性と物理法則の遵守を含む重要な課題が残っている。 本稿では、時間的フーリエモードを取り入れた高分解能海洋予測におけるこれらの課題に対処し、この修正によって物理的忠実度が向上することを示す。 本研究では,標準フーリエニューラル演算子(FNO)とその変種であるFNOtDを比較し,海洋PDEの解演算子を学習しながら分散関係を内部化するために修正した。 その結果、積分カーネルのトレーニングにおけるエンタングリング空間と時間により、マルチスケール波動伝搬を捕捉し、海洋力学を効果的に学習できることを示した。 FNOtDは、標準FNOと比較して、高周波設定に挑戦する際の長期予測安定性と基礎となる物理力学との整合性を大幅に改善する。 また、計算コストを大幅に削減しながら、最先端の数値海洋モデルに対する競争力のある予測技術も提供する。

関連論文リスト

• PIANO: Physics Informed Autoregressive Network [23.37066841328924]
  我々は,動的システムのモデル化のためにPINNを再設計するフレームワークであるPiaNO(Physical-Informed Autoregressive Networks)を紹介する。 PIANOは最先端の性能を達成し、既存の手法よりも精度と安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-08-22T09:12:47Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
  複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。 我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。 NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-27T10:54:40Z)
• PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
  そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。 物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-08T14:11:01Z)
• Interpretable Cross-Sphere Multiscale Deep Learning Predicts ENSO Skilfully Beyond 2 Years [4.591672124307768]
  PTSTnetは24ヶ月を超えるリードタイムで最先端のベンチマークを著しく上回り、解釈可能な予測を生成する。 私たちの成功は、革新的なニューラルオーシャンモデリングに関する解釈可能な洞察において、大きな一歩を踏み出します。
  論文  参考訳（メタデータ） (2025-03-27T06:55:29Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)

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。