論文の概要: The Complete Anatomy of the Madden-Julian Oscillation Revealed by Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2512.22144v1
• Date: Sun, 14 Dec 2025 09:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-04 08:45:17.068357
• Title: The Complete Anatomy of the Madden-Julian Oscillation Revealed by Artificial Intelligence
• Title（参考訳）: 人工知能で発見されたマデン・ジュリア振動の完全な解剖
• Authors: Xiao Zhou, Yuze Sun, Jie Wu, Xiaomeng Huang,
• Abstract要約: 我々は,マデン=ジュリアン振動の固有構造を客観的に発見する「AI-for-theory」パラダイムを導入する。 深層学習モデルPhysAnchor-MJO-AEを開発した。 この分類法は、2つの長周期の遷移段階を客観的に分離することで古典的な見方を洗練させる。
• 参考スコア（独自算出の注目度）: 12.768001894587576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately defining the life cycle of the Madden-Julian Oscillation (MJO), the dominant mode of intraseasonal climate variability, remains a foundational challenge due to its propagating nature. The established linear-projection method (RMM index) often conflates mathematical artifacts with physical states, while direct clustering in raw data space is confounded by a "propagation penalty." Here, we introduce an "AI-for-theory" paradigm to objectively discover the MJO's intrinsic structure. We develop a deep learning model, PhysAnchor-MJO-AE, to learn a latent representation where vector distance corresponds to physical-feature similarity, enabling objective clustering of MJO dynamical states. Clustering these "MJO fingerprints" reveals the first complete, six-phase anatomical map of its life cycle. This taxonomy refines and critically completes the classical view by objectively isolating two long-hypothesized transitional phases: organizational growth over the Indian Ocean and the northward shift over the Philippine Sea. Derived from this anatomy, we construct a new physics-coherent monitoring framework that decouples location and intensity diagnostics. This framework reduces the rates of spurious propagation and convective misplacement by over an order of magnitude compared to the classical index. Our work transforms AI from a forecasting tool into a discovery microscope, establishing a reproducible template for extracting fundamental dynamical constructs from complex systems.
• Abstract（参考訳）: マドデン・ジュリアン振動(MJO)のライフサイクルを正確に定義することは、その伝播の性質から基礎的な課題である。 確立された線形射影法(RMM index)は、しばしば数学的アーティファクトを物理的状態と混同し、一方、生データ空間における直接クラスタリングは「伝播ペナルティ」によって構成される。 本稿では,MJOの本質的な構造を客観的に発見するための「AI-for-theory」パラダイムを提案する。 深層学習モデルPhysAnchor-MJO-AEを開発し、ベクトル距離が物理的特徴的類似性に対応する潜在表現を学習し、MJO動的状態の客観的クラスタリングを可能にする。 これらの「MJO指紋」をクラスタリングすると、そのライフサイクルの最初の完全な6段階の解剖学的マップが明らかになる。 この分類学は、インド洋の組織的成長とフィリピン海への北へのシフトという2つの長期の衛生的な移行段階を客観的に分離することで古典的な見解を洗練し、批判的に完成させる。 この解剖学に基づいて、位置と強度の診断を分離する物理コヒーレントなモニタリングフレームワークを構築した。 この枠組みは、古典的な指標と比較して1桁以上の速やかな伝播と対流的なずれの率を減少させる。 我々の研究はAIを予測ツールから発見顕微鏡に変換し、複雑なシステムから基本的な動的構造を抽出するための再現可能なテンプレートを確立する。

関連論文リスト

• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
  LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。 我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。 統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:06Z)
• ECHO: Ego-Centric modeling of Human-Object interactions [71.17118015822699]
  ECHO (Ego-Centric Modeling of Human-Object Interaction) を開発した。 人間のポーズ、物体の動き、そしてそのような最小限の観察から接触の3つのモダリティを回復する。 同じ柔軟性を提供しない既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-08-29T12:12:22Z)
• Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
  VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。 視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。 常に最先端のVLMベースラインを精度と解釈性で上回る。
  論文  参考訳（メタデータ） (2025-08-24T14:34:21Z)
• Integrating Dynamical Systems Learning with Foundational Models: A Meta-Evolutionary AI Framework for Clinical Trials [0.0]
  NetraAIは、小さな臨床試験データセットの安定性と解釈性のために設計されたシステムベースのフレームワークである。 我々はNetraAIの基礎を定式化し、収縮マッピング、情報幾何学、進化的アルゴリズムを組み合わせて予測的患者コホートを同定する。 信頼できる説明可能な知識を優先することによって、NetraAIは、臨床発見を加速するために、適応的で自己反射的なAIの新しい世代を提供する。
  論文  参考訳（メタデータ） (2025-05-25T03:34:33Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)

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。