論文の概要: Physical Consistency of Aurora's Encoder: A Quantitative Study

• arxiv url: http://arxiv.org/abs/2511.07787v1
• Date: Wed, 12 Nov 2025 01:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.477574
• Title: Physical Consistency of Aurora's Encoder: A Quantitative Study
• Title（参考訳）: オーロラエンコーダの物理的整合性:定量的研究
• Authors: Benjamin Richards, Pushpa Kumar Balan,
• Abstract要約: 我々は、オーロラのエンコーダの物理的整合性について、その潜在表現が既知の物理的および気象学的概念と一致するかどうかを調査することによって検討する。 今回の研究は、オーロラが物理的に一貫した特徴を学習していることの定量的証拠を提供するとともに、最も稀な事象を捉える際の限界を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The high accuracy of large-scale weather forecasting models like Aurora is often accompanied by a lack of transparency, as their internal representations remain largely opaque. This "black box" nature hinders their adoption in high-stakes operational settings. In this work, we probe the physical consistency of Aurora's encoder by investigating whether its latent representations align with known physical and meteorological concepts. Using a large-scale dataset of embeddings, we train linear classifiers to identify three distinct concepts: the fundamental land-sea boundary, high-impact extreme temperature events, and atmospheric instability. Our findings provide quantitative evidence that Aurora learns physically consistent features, while also highlighting its limitations in capturing the rarest events. This work underscores the critical need for interpretability methods to validate and build trust in the next generation of Al-driven weather models.
• Abstract（参考訳）: オーロラのような大規模気象予報モデルの精度は、内部表現がほとんど不透明であるため、透明性の欠如を伴うことが多い。 この「ブラックボックス」の性質は、高い運用環境での採用を妨げる。 本研究では、オーロラのエンコーダの物理的整合性について、その潜在表現が既知の物理的および気象学的概念と一致するかどうかを考察する。 大規模な埋め込みのデータセットを用いて、線形分類器を訓練し、基本的な陸海境界、高衝撃極温度イベント、大気不安定性の3つの異なる概念を識別する。 今回の研究は、オーロラが物理的に一貫した特徴を学習していることの定量的証拠を提供するとともに、最も稀な事象を捉える際の限界を強調した。 この研究は、次世代のAl駆動気象モデルにおける信頼の検証と構築に、解釈可能性法が不可欠であることを示す。

関連論文リスト

• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• COFFEE: A Shadow-Resilient Real-Time Pose Estimator for Unknown Tumbling Asteroids using Sparse Neural Networks [7.976380956275378]
  我々は,小惑星のリアルタイムポーズ推定フレームワークであるCOFFEEを提案する。 投射影に有意な輪郭を関連付けることにより、まばらな特徴群を検出する。 得られたポーズ推定パイプラインは、古典的なポーズ推定パイプラインよりもバイアスのない、より正確なものである。
  論文  参考訳（メタデータ） (2025-08-05T06:27:14Z)
• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Latent State Inference in a Spatiotemporal Generative Model [3.7525506486107267]
  我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。 最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。 DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
  論文  参考訳（メタデータ） (2020-09-21T12:59:40Z)

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。