論文の概要: NORi: An ML-Augmented Ocean Boundary Layer Parameterization

• arxiv url: http://arxiv.org/abs/2512.04452v1
• Date: Thu, 04 Dec 2025 04:49:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:45.993671
• Title: NORi: An ML-Augmented Ocean Boundary Layer Parameterization
• Title（参考訳）: NORi:ML強化海洋境界層パラメータ化
• Authors: Xin Kai Lee, Ali Ramadhan, Andre Souza, Gregory LeClaire Wagner, Simone Silvestri, John Marshall, Raffaele Ferrari,
• Abstract要約: NORi はニューラル常微分方程式 (NODE) のリチャードソン数閉包を表す。 NODEは境界層の基部を通るエントレインを捕捉するように訓練されている。 NORiは、大規模なシミュレーションにおいて少なくとも100年間、数値的に安定である。
• 参考スコア（独自算出の注目度）: 0.4104352271917982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NORi is a machine-learned (ML) parameterization of ocean boundary layer turbulence that is physics-based and augmented with neural networks. NORi stands for neural ordinary differential equations (NODEs) Richardson number (Ri) closure. The physical parameterization is controlled by a Richardson number-dependent diffusivity and viscosity. The NODEs are trained to capture the entrainment through the base of the boundary layer, which cannot be represented with a local diffusive closure. The parameterization is trained using large-eddy simulations in an "a posteriori" fashion, where parameters are calibrated with a loss function that explicitly depends on the actual time-integrated variables of interest rather than the instantaneous subgrid fluxes, which are inherently noisy. NORi is designed for the realistic nonlinear equation of state of seawater and demonstrates excellent prediction and generalization capabilities in capturing entrainment dynamics under different convective strengths, oceanic background stratifications, rotation strengths, and surface wind forcings. NORi is numerically stable for at least 100 years of integration time in large-scale simulations, despite only being trained on 2-day horizons, and can be run with time steps as long as one hour. The highly expressive neural networks, combined with a physically-rigorous base closure, prove to be a robust paradigm for designing parameterizations for climate models where data requirements are drastically reduced, inference performance can be directly targeted and optimized, and numerical stability is implicitly encouraged during training.
• Abstract（参考訳）: NORiは、ニューラルネットワークで拡張された物理ベースの海洋境界層乱流の機械学習(ML)パラメータ化である。 NORi はニューラル常微分方程式 (NODE) リチャードソン数 (Ri) 閉包を表す。 物理パラメータ化はリチャードソン数に依存した微分と粘性によって制御される。 NODEは、局所的な拡散閉包で表現できない境界層の基底を通して、エントレインを捕捉するように訓練されている。 パラメータ化は"a reari"方式で大渦シミュレーションを用いて訓練され、パラメータは本質的にノイズの多い瞬間的なサブグリッド束ではなく、実際の時間積分変数に依存する損失関数で校正される。 NORiは、海水の状態の現実的な非線形方程式として設計されており、異なる対流強度、海洋背景層、回転強度、表面風力の下でのエントラクメントダイナミクスの捕捉における優れた予測と一般化能力を示す。 NORiは2日間の地平線でのみ訓練されているにもかかわらず、大規模なシミュレーションでは少なくとも100年間は数値的に安定しており、1時間以内の時間ステップで実行することができる。 高度に表現力のあるニューラルネットワークは、物理的に厳密なベースクロージャと組み合わせることで、データ要求が大幅に削減され、推論性能が直接ターゲットされ最適化され、トレーニング中に数値安定性が暗黙的に奨励されるような、気候モデルのパラメータ化を設計するための堅牢なパラダイムであることが証明されている。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Generalizable Implicit Neural Representations via Parameterized Latent Dynamics for Baroclinic Ocean Forecasting [15.223198342339803]
  PINRODは、動的に認識される暗黙のニューラル表現とパラメータ化されたニューラル常微分方程式を組み合わせた新しいフレームワークである。 海洋中規模パラメトリック活動の実験は、既存のベースラインよりも精度が高い。
  論文  参考訳（メタデータ） (2025-03-27T15:04:52Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural Network Emulators of Geophysical Turbulence [0.0]
  しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。 1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。 いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
  論文  参考訳（メタデータ） (2023-04-28T21:34:53Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
  勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。 これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
  論文  参考訳（メタデータ） (2021-07-19T20:18:57Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)

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。