論文の概要: Accelerating Radiative Transfer for Planetary Atmospheres by Orders of Magnitude with a Transformer-Based Machine Learning Model

• arxiv url: http://arxiv.org/abs/2510.27050v1
• Date: Thu, 30 Oct 2025 23:38:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.933861
• Title: Accelerating Radiative Transfer for Planetary Atmospheres by Orders of Magnitude with a Transformer-Based Machine Learning Model
• Title（参考訳）: 変圧器ベース機械学習モデルを用いたマグニチュードオーダーによる惑星大気の放射移動の加速
• Authors: Isaac Malsky, Tiffany Kataria, Natasha E. Batalha, Matthew Graham,
• Abstract要約: 機械学習による放射移動をエミュレートすると、惑星大気モデル内のより高速で正確なルーチンが生まれる。 太陽熱木星大気を表す1Dプロファイルに基づいて,エンコーダのみのトランスフォーマーニューラルネットワークアーキテクチャを用いた放射移動エミュレータを開発した。
• 参考スコア（独自算出の注目度）: 0.0044302156879028705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiative transfer calculations are essential for modeling planetary atmospheres. However, standard methods are computationally demanding and impose accuracy-speed trade-offs. High computational costs force numerical simplifications in large models (e.g., General Circulation Models) that degrade the accuracy of the simulation. Radiative transfer calculations are an ideal candidate for machine learning emulation: fundamentally, it is a well-defined physical mapping from a static atmospheric profile to the resulting fluxes, and high-fidelity training data can be created from first principles calculations. We developed a radiative transfer emulator using an encoder-only transformer neural network architecture, trained on 1D profiles representative of solar-composition hot Jupiter atmospheres. Our emulator reproduced bolometric two-stream layer fluxes with mean test set errors of ~1% compared to the traditional method and achieved speedups of 100x. Emulating radiative transfer with machine learning opens up the possibility for faster and more accurate routines within planetary atmospheric models such as GCMs.
• Abstract（参考訳）: 放射移動計算は惑星大気のモデル化に不可欠である。 しかし、標準的な手法は計算的に要求され、精度と速度のトレードオフを課している。 高計算コストは、シミュレーションの精度を低下させる大きなモデル(例えば、一般循環モデル)における数値的な単純化を強制する。 基本的には、これは静的な大気プロファイルから結果のフラックスへの適切に定義された物理マッピングであり、第一原理計算から高忠実度トレーニングデータを作成することができる。 太陽熱木星大気を表す1Dプロファイルに基づいて,エンコーダのみのトランスフォーマーニューラルネットワークアーキテクチャを用いた放射移動エミュレータを開発した。 エミュレータでは,従来の手法に比べて平均テストセット誤差が約1%のボロメトリー二層流束を再現し,100倍の高速化を実現した。 機械学習による放射移動をエミュレートすることで、GCMのような惑星大気モデルにおけるより高速で正確なルーチンが実現される可能性がある。

関連論文リスト

• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• FuXi-RTM: A Physics-Guided Prediction Framework with Radiative Transfer Modeling [10.780042503723806]
  FuXi-RTMは物理誘導型ディープラーニングフレームワークで、物理的な一貫性を保ちながら天気予報精度を向上させる。 FuXi-RTM は一次予測モデル (FuXi) と固定深層学習に基づく放射移動モデル (DLRTM) を統合する。 5年間のデータセットで評価され、FuXi-RTMは3320変数とリードタイムの組み合わせの88.51%で非制約のデータセットを上回っている。
  論文  参考訳（メタデータ） (2025-03-25T08:21:58Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
  現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。 大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。 機械学習を利用した問題に対する代替手法を提案する。
  論文  参考訳（メタデータ） (2023-06-23T16:45:46Z)
• High-precision interpolation of stellar atmospheres with a deep neural network using a 1D convolutional auto encoder for feature extraction [0.0]
  我々は、恒星モデル大気を回復するための信頼性、正確、軽量、高速な方法を確立する。 我々は、完全に接続されたディープニューラルネットワークを使用し、1次元畳み込みオートエンコーダを用いてグリッドの非線形性を抽出する。 特徴抽出器として主成分分析を用いた場合よりも,畳み込みオートエンコーダの方が高精度であることを示す。
  論文  参考訳（メタデータ） (2023-06-12T08:16:26Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Learning the Physics of Particle Transport via Transformers [0.0]
  単エネルギー陽子ビームで堆積した線量を予測するデータ駆動線量計算アルゴリズムを提案する。 提案手法は,現在の臨床解析用鉛筆法よりも33倍高速である。 我々のモデルは、これまでリアルタイム適応プロトン処理を禁止してきた大きな障害を克服する可能性がある。
  論文  参考訳（メタデータ） (2021-09-08T22:26:03Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Predicting atmospheric optical properties for radiative transfer computations using neural networks [0.0]
  我々は、現代の放射パラメータ化(RRTMGP)をエミュレートするためにニューラルネットワークを訓練することで、ガス光学特性の機械学習に基づくパラメトリゼーションを開発する。 我々のニューラルネットワークベースのガス光学パラメトリゼーションは、ニューラルネットワークのサイズによって、RRTMGPの最大4倍高速である。 機械学習に基づくパラメトリゼーションは、高い精度を維持しつつ、放射移動計算を高速化することができると結論付けている。
  論文  参考訳（メタデータ） (2020-05-05T15:00:58Z)

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。