論文の概要: CORONA-Fields: Leveraging Foundation Models for Classification of Solar Wind Phenomena

• arxiv url: http://arxiv.org/abs/2511.09843v1
• Date: Fri, 14 Nov 2025 01:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.521165
• Title: CORONA-Fields: Leveraging Foundation Models for Classification of Solar Wind Phenomena
• Title（参考訳）: Corona-Fields:太陽風現象の分類のための基礎モデル
• Authors: Daniela Martin, Jinsu Hong, Connor O'Brien, Valmir P Moraes Filho, Jasmine R. Kobayashi, Evangelia Samara, Joseph Gallego,
• Abstract要約: 主な宇宙気象要因は太陽風とコロナ質量放出である。 我々は、太陽物理学の基礎モデルを適用し、太陽風構造解析に適した埋め込みを作成する。 最初の概念実証として、より信頼性の高い宇宙天気予報に向けた将来の改善の土台を築いている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Space weather at Earth, driven by the solar activity, poses growing risks to satellites around our planet as well as to critical ground-based technological infrastructure. Major space weather contributors are the solar wind and coronal mass ejections whose variable density, speed, temperature, and magnetic field make the automated classification of those structures challenging. In this work, we adapt a foundation model for solar physics, originally trained on Solar Dynamics Observatory imagery, to create embeddings suitable for solar wind structure analysis. These embeddings are concatenated with the spacecraft position and solar magnetic connectivity encoded using Fourier features which generates a neural field-based model. The full deep learning architecture is fine-tuned bridging the gap between remote sensing and in situ observations. Labels are derived from Parker Solar Probe measurements, forming a downstream classification task that maps plasma properties to solar wind structures. Although overall classification performance is modest, likely due to coarse labeling, class imbalance, and limited transferability of the pretrained model, this study demonstrates the feasibility of leveraging foundation model embeddings for in situ solar wind tasks. As a first proof-of-concept, it lays the groundwork for future improvements toward more reliable space weather predictions. The code and configuration files used in this study are publicly available to support reproducibility.
• Abstract（参考訳）: 太陽活動によって引き起こされる地球の宇宙天気は、地球上の衛星や重要な地上技術基盤にリスクを及ぼす。 主な宇宙気象要因は、太陽風とコロナ質量放出であり、その変動密度、速度、温度、磁場がこれらの構造の自動分類を困難にしている。 本研究では、もともと太陽ダイナミクス観測衛星の画像に基づいて訓練された太陽物理学の基礎モデルを適用し、太陽風構造解析に適した埋め込みを作成する。 これらの埋め込みは、ニューラルフィールドモデルを生成するフーリエ特徴を用いて、宇宙船の位置と太陽磁気接続を符号化する。 完全なディープラーニングアーキテクチャは、リモートセンシングとその場観察のギャップを埋めるように微調整されている。 ラベルはパーカーソーラープローブの測定から派生し、プラズマ特性を太陽風構造にマッピングする下流分類タスクを形成する。 総合的な分類性能は, 粗いラベル付け, クラス不均衡, 事前訓練されたモデルの伝達性に起因していると考えられるが, 本研究は, 土台モデル埋め込みの応用の可能性を示した。 最初の概念実証として、より信頼性の高い宇宙天気予報に向けた将来の改善の土台を築いている。 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)
• Surya: Foundation Model for Heliophysics [3.573991705302358]
  汎用的な太陽表象を学習するために設計されたヘリオフィジカルのための366Mパラメータ基礎モデルであるSuryaを紹介する。 パラメータ効率の低い低時間適応Rank (LoRA) を用いた下流微調整は高い性能を示す一方で, 太陽のダイナミクスやフレア現象を予測する能力を示す。 その新しいアーキテクチャと性能は、このモデルが太陽の進化の背後にある物理学を学ぶことができることを示唆している。
  論文  参考訳（メタデータ） (2025-08-18T05:44:25Z)
• 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)
• 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)
• Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
  特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。 本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。 その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
  論文  参考訳（メタデータ） (2023-01-21T19:16:03Z)
• A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data using Self-Supervised Learning [4.844946519309793]
  我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。 我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。 提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
  論文  参考訳（メタデータ） (2021-12-28T03:13:44Z)
• DeepSun: Machine-Learning-as-a-Service for Solar Flare Prediction [3.994605741665177]
  我々は、Web上で太陽フレアを予測するための、DeepSunと呼ばれる機械学習・アズ・ア・サービスフレームワークを提案する。 DeepSunシステムは、このマルチクラス予測問題に対処するために、いくつかの機械学習アルゴリズムを使用している。 私たちの知る限り、DeepSunはインターネットを通じて太陽フレアを予測できる最初のMLツールです。
  論文  参考訳（メタデータ） (2020-09-04T03:41:50Z)

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。