論文の概要: Towards fully differentiable neural ocean model with Veros
- arxiv url: http://arxiv.org/abs/2511.17427v1
- Date: Fri, 21 Nov 2025 17:24:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-24 18:08:19.142224
- Title: Towards fully differentiable neural ocean model with Veros
- Title（参考訳）: Verosを用いた完全微分可能なニューラルオーシャンモデルを目指して
- Authors: Etienne Meunier, Said Ouala, Hugo Frezat, Julien Le Sommer, Ronan Fablet,
- Abstract要約: 我々はVEROS海洋モデルの微分可能な拡張を提案し、その動的コアによる自動微分を可能にした。
本稿では、JAX自動微分フレームワークとの完全互換化に必要な重要な変更点について述べ、結果の実装の数値的整合性を評価する。
- 参考スコア（独自算出の注目度）: 8.204579381159597
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a differentiable extension of the VEROS ocean model, enabling automatic differentiation through its dynamical core. We describe the key modifications required to make the model fully compatible with JAX autodifferentiation framework and evaluate the numerical consistency of the resulting implementation. Two illustrative applications are then demonstrated: (i) the correction of an initial ocean state through gradient-based optimization, and (ii) the calibration of unknown physical parameters directly from model observations. These examples highlight how differentiable programming can facilitate end-to-end learning and parameter tuning in ocean modeling. Our implementation is available online.
- Abstract（参考訳）: 我々はVEROS海洋モデルの微分可能な拡張を提案し、その動的コアによる自動微分を可能にした。
本稿では、JAX自動微分フレームワークとの完全互換化に必要な重要な変更点について述べ、結果の実装の数値的整合性を評価する。
次に2つの図解的応用が示される。
一 勾配に基づく最適化による初期海洋状態の補正及び
(2)モデル観測から直接未知の物理パラメータの校正を行う。
これらの例は、差別化可能なプログラミングが、海洋モデリングにおけるエンドツーエンドの学習とパラメータチューニングをいかに促進するかを強調している。
私たちの実装はオンラインで利用可能です。
関連論文リスト
- Image Segmentation via Variational Model Based Tailored UNet: A Deep Variational Framework [6.146992603795658]
画像セグメンテーションのための変分モデルに基づくTalored UNet(VM_TUNet)を提案する。
VM_TUNetは、変分法の解釈可能性とエッジ保存特性をニューラルネットワークの適応的特徴学習と組み合わせている。
既存のアプローチと比較して,VM_TUNetはセグメンテーション性能が優れていることを示す。
論文 参考訳（メタデータ） (2025-05-09T05:50:22Z) - Model Assembly Learning with Heterogeneous Layer Weight Merging [57.8462476398611]
モデル統合のための新しいパラダイムであるモデルアセンブリ学習(MAL)を紹介する。
MALは、様々なモデルのパラメータをオープンエンドモデル動物園に統合し、ベースモデルの能力を高める。
論文 参考訳（メタデータ） (2025-03-27T16:21:53Z) - SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - Differentiable, learnable, regionalized process-based models with
physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。
我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
論文 参考訳（メタデータ） (2022-03-28T15:06:53Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - Automatic Learning of Subword Dependent Model Scales [50.105894487730545]
本研究では,アテンションエンコーダ・デコーダ音響モデルと言語モデルを組み合わせたモデルスケールを手動チューニングと同様に効果的に学習できることを示す。
提案手法は,手動では調整できないサブワード依存モデル尺度に拡張され,LBSは7%,SWBは3%改善した。
論文 参考訳（メタデータ） (2021-10-18T13:48:28Z)
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。