論文の概要: Reduced Order Modeling for Tsunami Forecasting with Bayesian Hierarchical Pooling

• arxiv url: http://arxiv.org/abs/2512.19804v1
• Date: Mon, 22 Dec 2025 19:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.64167
• Title: Reduced Order Modeling for Tsunami Forecasting with Bayesian Hierarchical Pooling
• Title（参考訳）: ベイジアン階層型ポーリングによる津波予報の低次モデリング
• Authors: Shane X. Coffing, John Tipton, Arvind T. Mohan, Darren Engwirda,
• Abstract要約: 還元モデル (ROM) は偏微分方程式 (PDE) よりもはるかに少ない次元で定義可能な過程を表現することができる 本研究では,ニューラル・ガレルキン・プロジェクションに基づく固定重みに制約されない新しいタイプのROMについて検討する。 津波波の到着時間と高さに関する統計的・物理的に校正された予測モデルを生成するのに必要なシミュレーション数を,rundPROMsにより大幅に削減できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reduced order models (ROM) can represent spatiotemporal processes in significantly fewer dimensions and can be solved many orders faster than their governing partial differential equations (PDEs). For example, using a proper orthogonal decomposition produces a ROM that is a small linear combination of fixed features and weights, but that is constrained to the given process it models. In this work, we explore a new type of ROM that is not constrained to fixed weights, based on neural Galerkin-Projections, which is an initial value problem that encodes the physics of the governing PDEs, calibrated via neural networks to accurately model the trajectory of these weights. Then using a statistical hierarchical pooling technique to learn a distribution on the initial values of the temporal weights, we can create new, statistically interpretable and physically justified weights that are generalized to many similar problems. When recombined with the spatial features, we form a complete physics surrogate, called a randPROM, for generating simulations that are consistent in distribution to a neighborhood of initial conditions close to those used to construct the ROM. We apply the randPROM technique to the study of tsunamis, which are unpredictable, catastrophic, and highly-detailed non-linear problems, modeling both a synthetic case of tsunamis near Fiji and the real-world Tohoku 2011 disaster. We demonstrate that randPROMs may enable us to significantly reduce the number of simulations needed to generate a statistically calibrated and physically defensible prediction model for arrival time and height of tsunami waves.
• Abstract（参考訳）: 還元次数モデル (ROM) は時空間過程を非常に少ない次元で表すことができ、支配的偏微分方程式 (PDE) よりも早く多くの順序を解くことができる。 例えば、適切な直交分解を用いると、固定された特徴と重みの小さな線形結合であるROMを生成するが、それはそれがモデル化するプロセスに制約される。 本研究では,これらの重みの軌跡を正確にモデル化するためにニューラルネットワークを用いて校正されたPDEの物理を符号化する初期値問題であるニューラル・ガレルキン・プロジェクションに基づいて,固定重みに制約されない新しいタイプのROMを探索する。 次に,時間重みの初期値の分布を統計的に階層的に学習する手法を用いて,多くの類似問題に一般化された新しい,統計的に解釈可能な,物理的に正当化された重みを作成できる。 空間的特徴と組み合わさると、我々は完全な物理シュロゲート(rundPROM)を形成し、ROMを構成するために使用されるものに近い初期条件の近傍に分布に一貫したシミュレーションを生成する。 本研究では, フィジー付近の津波の合成事例と2011年東北大震災の両方をモデル化し, 予測不可能, 破滅的, 高精度な非線形問題である津波の研究に, rundPROM 技術を適用した。 津波波の到着時間と高度について,統計的に校正され,物理的に確認可能な予測モデルを生成するために必要なシミュレーション数を,rundPROMsにより大幅に削減できることを実証した。

関連論文リスト

• LaPON: A Lagrange's-mean-value-theorem-inspired operator network for solving PDEs and its application on NSE [8.014720523981385]
  ラグランジュの平均値定理に着想を得た演算子ネットワークであるLaPONを提案する。 損失関数ではなく、ニューラルネットワークアーキテクチャに直接、事前の知識を組み込む。 LaPONは、高忠実度流体力学シミュレーションのためのスケーラブルで信頼性の高いソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-18T10:45:17Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations [0.0]
  本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。 我々は,演算子推論(OpInf)に着目し,そのようなシミュレーションデータから低コストな物理ベースのROMを構築する。
  論文  参考訳（メタデータ） (2024-01-11T15:20:06Z)
• Random Grid Neural Processes for Parametric Partial Differential Equations [5.244037702157957]
  我々はPDEのための空間確率物理の新しいクラスと深部潜伏モデルについて紹介する。 パラメトリックPDEの前方および逆問題を解場のガウス過程モデルの構築につながる方法で解く。 物理情報モデルにノイズのあるデータを原則的に組み込むことで、データの入手可能な問題に対する予測を改善する方法を示す。
  論文  参考訳（メタデータ） (2023-01-26T11:30:56Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Physics-Informed Graph Neural Network for Spatial-temporal Production Forecasting [0.0]
  歴史的データに基づく生産予測は、炭化水素資源の開発に不可欠な価値を提供する。 生産予測のためのグリッドフリーな物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T23:28:40Z)
• 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)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)

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。