論文の概要: Bridging Idealized and Operational Models: An Explainable AI Framework for Earth System Emulators

• arxiv url: http://arxiv.org/abs/2510.13030v1
• Date: Tue, 14 Oct 2025 23:02:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.441835
• Title: Bridging Idealized and Operational Models: An Explainable AI Framework for Earth System Emulators
• Title（参考訳）: 理想的な運用モデルのブリッジ:地球系エミュレータのための説明可能なAIフレームワーク
• Authors: Pouria Behnoudfar, Charlotte Moser, Marc Bocquet, Sibo Cheng, Nan Chen,
• Abstract要約: 我々は地球系エミュレータのための説明可能なAIフレームワークを開発した。 再構成された潜在データ同化技術によってモデル階層をブリッジする。 理想化されたモデルから目標とする改善を通じて、グローバルな精度の向上を実現する。
• 参考スコア（独自算出の注目度）: 9.402119111650613
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Computer models are indispensable tools for understanding the Earth system. While high-resolution operational models have achieved many successes, they exhibit persistent biases, particularly in simulating extreme events and statistical distributions. In contrast, coarse-grained idealized models isolate fundamental processes and can be precisely calibrated to excel in characterizing specific dynamical and statistical features. However, different models remain siloed by disciplinary boundaries. By leveraging the complementary strengths of models of varying complexity, we develop an explainable AI framework for Earth system emulators. It bridges the model hierarchy through a reconfigured latent data assimilation technique, uniquely suited to exploit the sparse output from the idealized models. The resulting bridging model inherits the high resolution and comprehensive variables of operational models while achieving global accuracy enhancements through targeted improvements from idealized models. Crucially, the mechanism of AI provides a clear rationale for these advancements, moving beyond black-box correction to physically insightful understanding in a computationally efficient framework that enables effective physics-assisted digital twins and uncertainty quantification. We demonstrate its power by significantly correcting biases in CMIP6 simulations of El Ni\~no spatiotemporal patterns, leveraging statistically accurate idealized models. This work also highlights the importance of pushing idealized model development and advancing communication between modeling communities.
• Abstract（参考訳）: コンピュータモデルは地球系を理解するのに欠かせない道具である。 高解像度の運用モデルは多くの成功を収めてきたが、特に極端な事象や統計的分布をシミュレートする際、持続的なバイアスを示す。 対照的に、粗粒度の理想化モデルは基本過程を分離し、特定の動的特徴と統計的特徴を特徴づける際、精密に校正することができる。 しかし、異なるモデルは規律的な境界によってサイロ化されている。 複雑度の異なるモデルの相補的な強みを活用することで、地球系エミュレータのための説明可能なAIフレームワークを開発する。 モデル階層を再構成された潜在データ同化技術でブリッジし、理想化されたモデルからのスパース出力を利用するのに一意に適している。 結果として得られるブリッジングモデルは、理想化されたモデルから目標とする改善を通じて、グローバルな精度の向上を達成しつつ、操作モデルの高解像度かつ包括的な変数を継承する。 重要なことに、AIのメカニズムは、ブラックボックスの修正を超えて、効果的な物理支援デジタルツインと不確実な定量化を可能にする、計算的に効率的なフレームワークにおける物理的に洞察に富んだ理解へと移行した、これらの進歩の明確な根拠を提供する。 統計学的に正確な理想化モデルを用いて, 時空間パターンを含まないCMIP6シミュレーションにおいて, バイアスを著しく補正し, その効果を実証する。 この研究は、理想化されたモデル開発を推進し、モデリングコミュニティ間のコミュニケーションを進めることの重要性を強調している。

関連論文リスト

• Modèles de Substitution pour les Modèles à base d'Agents : Enjeux, Méthodes et Applications [0.0]
  エージェントベースモデル(ABM)は、局所的な相互作用から生じる創発的な現象を研究するために広く用いられている。 ABMの複雑さは、リアルタイム意思決定と大規模シナリオ分析の可能性を制限する。 これらの制限に対処するため、サロゲートモデルはスパースシミュレーションデータから近似を学習することで効率的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-17T08:55:33Z)
• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Structuring a Training Strategy to Robustify Perception Models with Realistic Image Augmentations [1.5723316845301678]
  本報告では, モデルロバスト性, 性能を向上させるため, 強化したトレーニング手法を提案する。 機械学習モデルの弱点を特定し、適切な拡張を選択し、効果的なトレーニング戦略を考案する包括的フレームワークを提案する。 実験結果は,オープンソースオブジェクトの検出とセマンティックセグメンテーションモデルとデータセットに対する平均平均精度(mAP)や平均距離(mIoU)といった一般的な測定値によって測定されるモデル性能の改善を示す。
  論文  参考訳（メタデータ） (2024-08-30T14:15:48Z)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Domain-aware Control-oriented Neural Models for Autonomous Underwater Vehicles [2.4779082385578337]
  ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。 データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
  論文  参考訳（メタデータ） (2022-08-15T17:01:14Z)
• 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)
• Knowledge-Guided Dynamic Systems Modeling: A Case Study on Modeling River Water Quality [8.110949636804774]
  実世界の現象をモデル化することは、エコロジーモデリングや財務予測など、多くの科学と工学の取り組みの焦点である。 複雑な動的システムのための正確なモデルの構築は、基盤となるプロセスの理解を改善し、リソース効率に繋がる。 反対の極端に、データ駆動モデリングはデータから直接モデルを学び、広範囲なデータと潜在的に過剰なフィッティングを生成する。 中間的アプローチであるモデルリビジョンに注目し,事前知識とデータを組み合わせることで,両世界のベストを達成する。
  論文  参考訳（メタデータ） (2021-03-01T06:31:38Z)
• 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)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。