論文の概要: Autoregressive Surrogate Modeling of the Solar Wind with Spherical Fourier Neural Operator

• arxiv url: http://arxiv.org/abs/2511.20830v1
• Date: Tue, 25 Nov 2025 20:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.848723
• Title: Autoregressive Surrogate Modeling of the Solar Wind with Spherical Fourier Neural Operator
• Title（参考訳）: 球状フーリエニューラル演算子を用いた太陽風の自己回帰サーロゲートモデリング
• Authors: Reza Mansouri, Dustin Kempton, Pete Riley, Rafal Angryk,
• Abstract要約: 太陽風放射速度を安定させるための,最初の自己回帰型機械学習サロゲートを提案する。 このモデルは、単一ステップアプローチと比較して、遠方の領域での精度を向上させる。 数値的なHUXサロゲートと比較すると、SFNOは優れた性能または同等のパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The solar wind, a continuous outflow of charged particles from the Sun's corona, shapes the heliosphere and impacts space systems near Earth. Accurate prediction of features such as high-speed streams and coronal mass ejections is critical for space weather forecasting, but traditional three-dimensional magnetohydrodynamic (MHD) models are computationally expensive, limiting rapid exploration of boundary condition uncertainties. We introduce the first autoregressive machine learning surrogate for steady-state solar wind radial velocity using the Spherical Fourier Neural Operator (SFNO). By predicting a limited radial range and iteratively propagating the solution outward, the model improves accuracy in distant regions compared to a single-step approach. Compared with the numerical HUX surrogate, SFNO demonstrates superior or comparable performance while providing a flexible, trainable, and data-driven alternative, establishing a novel methodology for high-fidelity solar wind modeling. The source code and additional visual results are available at https://github.com/rezmansouri/solarwind-sfno-velocity-autoregressive.
• Abstract（参考訳）: 太陽風は太陽のコロナからの荷電粒子の継続的な流出であり、太陽圏を形成し、地球近傍の宇宙システムに影響を及ぼす。 高速ストリームやコロナ質量放出のような特徴の正確な予測は宇宙の天気予報には不可欠であるが、従来の3次元磁気流体力学(MHD)モデルは計算コストが高く、境界条件の不確かさの迅速な探索を制限している。 本研究では,Spherical Fourier Neural Operator (SFNO) を用いて,太陽風の安定な放射速度に対する最初の自己回帰型機械学習サロゲートを提案する。 限られた半径範囲を予測し、解を外部へ反復的に伝播することにより、モデルは単一ステップのアプローチと比較して、遠方の領域での精度を向上させる。 数値的なHUXサロゲートと比較すると、SFNOは柔軟で訓練可能でデータ駆動の代替手段を提供しながら、優れた性能または同等の性能を示し、高忠実な太陽風モデリングのための新しい方法論を確立している。 ソースコードと視覚的な追加結果はhttps://github.com/rezmansouri/solarwind-sfno-velocity-autoregressive.comで公開されている。

関連論文リスト

• Forecasting the Ionosphere from Sparse GNSS Data with Temporal-Fusion Transformers [0.28112829609955153]
  トータル・エレクトロン・コンテント(TEC)は、鍵となる電離層パラメータである。 TECは観測結果から導かれるが、その信頼性は地球規模測定の希少な性質によって制限される。 本稿では,TFT(Temporal Fusion Transformer)を利用した電離層変動予測のための機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T23:08:19Z)
• TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models [0.0]
  急激なターンアラウンド、ダイナミックな一貫性、極端な気象イベントの正確な時間的回復を達成することが不可欠である。 本稿では, 平均フィールドダウンスケーリングにおける決定論的時間モデルと, より小さな生成的拡散モデルを組み合わせて, 微細な特徴を再現する効率的な拡散モデルTAUDiffを提案する。 当社のアプローチは、関連するリスクや経済損失を見積もるために必要となる極端な事象を、より迅速にシミュレーションすることができる。
  論文  参考訳（メタデータ） (2024-12-18T09:05:19Z)
• Generative Simulations of The Solar Corona Evolution With Denoising Diffusion : Proof of Concept [0.282697733014759]
  太陽磁化コロナは、フレア、コロナ質量放出(CME)、そして自然界の太陽風など、宇宙の気象の影響で様々な現象を引き起こしている。 本研究では, 将来的なコロナの進化をシミュレートするために, DDPM (Denoising Probabilistic Models) のような生成的深層学習手法をうまく適用できることを実証する。
  論文  参考訳（メタデータ） (2024-10-28T08:55:33Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• 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)

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。