論文の概要: NeuralOGCM: Differentiable Ocean Modeling with Learnable Physics

• arxiv url: http://arxiv.org/abs/2512.11525v1
• Date: Fri, 12 Dec 2025 12:53:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.767655
• Title: NeuralOGCM: Differentiable Ocean Modeling with Learnable Physics
• Title（参考訳）: NeuralOGCM: 学習可能な物理を用いた微分可能な海洋モデリング
• Authors: Hao Wu, Yuan Gao, Fan Xu, Fan Zhang, Guangliang Liu, Yuxuan Liang, Xiaomeng Huang,
• Abstract要約: 深層学習に微分可能プログラミングを融合させる海洋モデリングフレームワークであるNeuralOGCMを提案する。 学習可能な物理統合は、大規模で決定論的物理進化を捉え、鍵となる物理パラメータを学習可能なパラメータに変換する。 ディープニューラルネットワークは、物理モデルが捉えないサブグリッドスケールのプロセスと離散化エラーの修正を学習する。 実験により、NeuralOGCMは長期的な安定性と物理的整合性を維持しており、従来の数値モデルよりも高速で、純粋なAIベースラインよりも精度が高いことが示されている。
• 参考スコア（独自算出の注目度）: 38.88216084180426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-precision scientific simulation faces a long-standing trade-off between computational efficiency and physical fidelity. To address this challenge, we propose NeuralOGCM, an ocean modeling framework that fuses differentiable programming with deep learning. At the core of NeuralOGCM is a fully differentiable dynamical solver, which leverages physics knowledge as its core inductive bias. The learnable physics integration captures large-scale, deterministic physical evolution, and transforms key physical parameters (e.g., diffusion coefficients) into learnable parameters, enabling the model to autonomously optimize its physical core via end-to-end training. Concurrently, a deep neural network learns to correct for subgrid-scale processes and discretization errors not captured by the physics model. Both components work in synergy, with their outputs integrated by a unified ODE solver. Experiments demonstrate that NeuralOGCM maintains long-term stability and physical consistency, significantly outperforming traditional numerical models in speed and pure AI baselines in accuracy. Our work paves a new path for building fast, stable, and physically-plausible models for scientific computing.
• Abstract（参考訳）: 高精度な科学シミュレーションは、計算効率と物理忠実度の間の長年のトレードオフに直面している。 この課題に対処するために,深層学習に微分可能なプログラミングを融合させる海洋モデリングフレームワークであるNeuralOGCMを提案する。 NeuralOGCMの中核は、物理知識をその中心帰納バイアスとして活用する、完全に微分可能な動的解法である。 学習可能な物理積分は大規模で決定論的な物理的進化を捉え、重要な物理パラメータ(例えば拡散係数)を学習可能なパラメータに変換する。 同時に、ディープニューラルネットワークは、物理モデルが捉えないサブグリッドスケールのプロセスと離散化エラーの修正を学習する。 両方のコンポーネントはシナジーで動作し、出力は統一ODEソルバによって統合される。 実験により、NeuralOGCMは長期的な安定性と物理的整合性を維持しており、従来の数値モデルよりも高速で、純粋なAIベースラインよりも精度が高いことが示されている。 我々の研究は、科学計算のための高速で安定し、物理的に証明可能なモデルを構築するための新しい道を開いた。

関連論文リスト

• Towards a Physics Foundation Model [2.109902626434734]
  シミュレーションデータの1.8TBをトレーニングした一般物理変換器(GPhyT)について述べる。 GPhyTは複数の物理領域にまたがる優れた性能を実現し、特殊アーキテクチャを最大29倍の性能で上回る。 単一のモデルがデータだけで一般的な物理原理を学習できることを確立することで、この研究は普遍的な物理基礎モデルへの道を開く。
  論文  参考訳（メタデータ） (2025-09-17T08:19:57Z)
• Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
  物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。 本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。 本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
  論文  参考訳（メタデータ） (2024-11-18T11:58:20Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Data-driven modeling of Landau damping by physics-informed neural networks [4.728411962159049]
  機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。 このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。 この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
  論文  参考訳（メタデータ） (2022-11-02T10:33:38Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。