論文の概要: Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors
- arxiv url: http://arxiv.org/abs/2511.14581v1
- Date: Tue, 18 Nov 2025 15:21:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:53.17841
- Title: Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors
- Title（参考訳）: 惑星内部における準地質破壊乱流のサブグリッドスケールモデルのオンライン学習
- Authors: Hugo Frezat, Thomas Gastine, Alexandre Fournier,
- Abstract要約: 軸対称境界領域における準破壊的乱流について検討する。
流れは所定の解析力によって駆動される。
我々は,1回のターンオーバー時間のみにまたがるデータに基づいてトレーニングされたSGSモデルが,トレーニング期間より少なくとも100倍長い統合よりも安定かつ正確であることを示す。
- 参考スコア（独自算出の注目度）: 41.99844472131922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of machine learning to represent subgrid-scale (SGS) dynamics is now well established in weather forecasting and climate modelling. Recent advances have demonstrated that SGS models trained via ``online'' end-to-end learning -- where the dynamical solver operating on the filtered equations participates in the training -- can outperform traditional physics-based approaches. Most studies, however, have focused on idealised periodic domains, neglecting the mechanical boundaries present e.g. in planetary interiors. To address this issue, we consider two-dimensional quasi-geostrophic turbulent flow in an axisymmetric bounded domain that we model using a pseudo-spectral differentiable solver, thereby enabling online learning. We examine three configurations, varying the geometry (between an exponential container and a spherical shell) and the rotation rate. Flow is driven by a prescribed analytical forcing, allowing for precise control over the energy injection scale and an exact estimate of the power input. We evaluate the accuracy of the online-trained SGS model against the reference direct numerical simulation using integral quantities and spectral diagnostics. In all configurations, we show that an SGS model trained on data spanning only one turnover time remains stable and accurate over integrations at least a hundred times longer than the training period. Moreover, we demonstrate the model's remarkable ability to reproduce slow processes occurring on time scales far exceeding the training duration, such as the inward drift of jets in the spherical shell. These results suggest a promising path towards developing SGS models for planetary and stellar interior dynamics, including dynamo processes.
- Abstract（参考訳）: サブグリッドスケール(SGS)のダイナミクスを表現するための機械学習の利用は、現在では天気予報や気候モデリングにおいて十分に確立されている。
近年の進歩により、'オンライン'のエンド・ツー・エンド・ラーニングによってトレーニングされたSGSモデルは、フィルタされた方程式を操作する動的解法がトレーニングに参加することによって、従来の物理学に基づくアプローチよりも優れていることが示されている。
しかし、ほとんどの研究は理想化された周期領域に焦点を合わせており、惑星内部に存在する eg の機械的境界を無視している。
この問題に対処するために、擬スペクトル微分可能解法を用いてモデル化し、オンライン学習を可能にする軸対称境界領域における2次元擬似地すべり乱流について考察する。
形状(指数容器と球殻の間)と回転率の3つの構成について検討する。
流れは所定の解析的強制力によって駆動され、エネルギー注入スケールの正確な制御と電力入力の正確な推定を可能にする。
我々は,オンライン学習SGSモデルの精度を,積分量とスペクトル診断を用いた参照直接数値シミュレーションと比較した。
すべての構成において、1回のターンオーバー時間のみにまたがるデータに基づいてトレーニングされたSGSモデルは、トレーニング期間より少なくとも100倍長い積分よりも安定かつ正確であることが示される。
さらに, 球殻内の噴流の内向きドリフトなど, 訓練期間をはるかに超えた時間スケールで発生する遅い過程を再現する能力を示す。
これらの結果は、ダイナモ過程を含む惑星と恒星の内部力学のためのSGSモデル開発への有望な道のりを示唆している。
関連論文リスト
- Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。
機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。
現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。
本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
論文 参考訳（メタデータ） (2025-05-24T11:18:59Z) - Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。
本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
論文 参考訳（メタデータ） (2025-02-11T22:14:30Z) - Differentiable Turbulence: Closure as a partial differential equation constrained optimization [1.8749305679160366]
我々は、ディープラーニングアーキテクチャの物理に着想を得た選択と組み合わせて、エンドツーエンドの微分可能解法を使用する、微分可能な乱流の概念を活用する。
微分可能な物理パラダイムは、オフラインのテキストタプリオリ学習よりも成功しており、深層学習へのハイブリッド・ソルバ・イン・ザ・ループアプローチは、計算効率、精度、一般化の理想的なバランスを提供することを示す。
論文 参考訳（メタデータ） (2023-07-07T15:51:55Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Towards Fast Simulation of Environmental Fluid Mechanics with
Multi-Scale Graph Neural Networks [0.0]
我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。
本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。
MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2～4桁高速である。
論文 参考訳（メタデータ） (2022-05-05T13:33:03Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。