論文の概要: Scalable Machine Learning Analysis of Parker Solar Probe Solar Wind Data

• arxiv url: http://arxiv.org/abs/2510.21066v1
• Date: Fri, 24 Oct 2025 00:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.37014
• Title: Scalable Machine Learning Analysis of Parker Solar Probe Solar Wind Data
• Title（参考訳）: パーカーソーラープローブ太陽風データのスケーラブル機械学習解析
• Authors: Daniela Martin, Connor O'Brien, Valmir P Moraes Filho, Jinsu Hong, Jasmine R. Kobayashi, Evangelia Samara, Joseph Gallego,
• Abstract要約: 本稿では、パーカー・ソーラー・プローブ(PSP)太陽風データを解析するためのスケーラブルな機械学習フレームワークを提案する。 PSPデータセットは150GBを超え、従来の分析手法に挑戦する。 太陽からの距離で太陽風速を上昇させるなど,内層大気の特徴的な傾向を明らかにした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a scalable machine learning framework for analyzing Parker Solar Probe (PSP) solar wind data using distributed processing and the quantum-inspired Kernel Density Matrices (KDM) method. The PSP dataset (2018--2024) exceeds 150 GB, challenging conventional analysis approaches. Our framework leverages Dask for large-scale statistical computations and KDM to estimate univariate and bivariate distributions of key solar wind parameters, including solar wind speed, proton density, and proton thermal speed, as well as anomaly thresholds for each parameter. We reveal characteristic trends in the inner heliosphere, including increasing solar wind speed with distance from the Sun, decreasing proton density, and the inverse relationship between speed and density. Solar wind structures play a critical role in enhancing and mediating extreme space weather phenomena and can trigger geomagnetic storms; our analyses provide quantitative insights into these processes. This approach offers a tractable, interpretable, and distributed methodology for exploring complex physical datasets and facilitates reproducible analysis of large-scale in situ measurements. Processed data products and analysis tools are made publicly available to advance future studies of solar wind dynamics and space weather forecasting. The code and configuration files used in this study are publicly available to support reproducibility.
• Abstract（参考訳）: 本稿では、分散処理を用いたパーカー太陽プローブ(PSP)太陽風データを解析するためのスケーラブルな機械学習フレームワークと、量子インスパイアされたケルネル密度行列(KDM)法を提案する。 PSPデータセット(2018-2024)は150GBを超え、従来の分析手法に挑戦している。 本フレームワークはダスクを大規模統計計算に利用し,KDMを用いて太陽風速,陽子密度,陽子温度,および各パラメータの異常しきい値を含む主要な太陽風パラメータの1変量および2変量分布を推定する。 太陽からの距離の太陽風速の増加,陽子密度の減少,速度と密度の逆関係など,内層大気の特徴的な傾向を明らかにした。 太陽風構造は、極度の宇宙気象現象の増進と媒介化において重要な役割を担い、地磁気嵐を引き起こす可能性がある。 このアプローチは、複雑な物理データセットを探索し、大規模なin situ測定の再現可能な分析を容易にするための、トラクタブルで解釈可能な分散方法論を提供する。 太陽風のダイナミクスと宇宙天気予報の今後の研究を進めるために、プロセスされたデータ製品と分析ツールが公開されている。 この研究で使用されるコードと設定ファイルは、再現性をサポートするために公開されている。

関連論文リスト

• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• SuryaBench: Benchmark Dataset for Advancing Machine Learning in Heliophysics and Space Weather Prediction [2.288747975391298]
  本稿では、NASAのソーラー・ダイナミクス・オブザーバ(SDO)から得られた高分解能で機械学習対応のヘリオフィジカルデータセットを紹介する。 このデータセットには、大気圧イメージングアセンブリ(AIA)とヘリオサイスミック・磁気画像処理(HMI)からの処理された画像が含まれている。 MLタスクの適合性を確保するため、データは前処理され、宇宙船のロール角の補正、軌道調整、露出正規化、劣化補正が行われた。
  論文  参考訳（メタデータ） (2025-08-18T00:05:01Z)
• Solar Flare Forecast: A Comparative Analysis of Machine Learning Algorithms for Solar Flare Class Prediction [0.0]
  太陽フレアは太陽系で最も強力でダイナミックな現象であり、太陽の大気に蓄積された磁気エネルギーが突然放出された結果である。 本研究では、太陽フレアを4つのカテゴリに分類する3つの機械学習アルゴリズムの予測性能を評価する。
  論文  参考訳（メタデータ） (2025-05-06T10:08:41Z)
• Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
  本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。 SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。 DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2024-04-03T08:18:45Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)

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。