論文の概要: Hierarchical Testing of a Hybrid Machine Learning-Physics Global Atmosphere Model

• arxiv url: http://arxiv.org/abs/2602.11313v1
• Date: Wed, 11 Feb 2026 19:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.50822
• Title: Hierarchical Testing of a Hybrid Machine Learning-Physics Global Atmosphere Model
• Title（参考訳）: ハイブリッド機械学習の階層的テスト -物理大域大気モデル-
• Authors: Ziming Chen, L. Ruby Leung, Wenyu Zhou, Jian Lu, Sandro W. Lubis, Ye Liu, Chuan-Chieh Chang, Bryce E. Harrop, Ya Wang, Mingshi Yang, Gan Zhang, Yun Qian,
• Abstract要約: 機械学習(ML)ベースのモデルは、高い技術と計算効率を示しており、しばしば天気や季節下予測において従来の物理学ベースのモデルよりも優れている。 ここでは、光学的スケールの現象、年々の変動性、分布外均一な強制を対象とする3つの実験セットを設計する。 我々は,力学コアをMLベースコンポーネントに統合したハイブリッドモデルであるNeural General Circulation Model(NeuralGCM)を,観測と物理に基づく地球系モデル(ESM)に対して評価した。
• 参考スコア（独自算出の注目度）: 9.985969370583426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML)-based models have demonstrated high skill and computational efficiency, often outperforming conventional physics-based models in weather and subseasonal predictions. While prior studies have assessed their fidelity in capturing synoptic-scale atmospheric dynamics, their performance across timescales and under out-of-distribution forcing, such as +3K or +4K uniform-warming forcings, and the sources of biases remain elusive, to establish the model reliability for Earth science. Here, we design three sets of experiments targeting synoptic-scale phenomena, interannual variability, and out-of-distribution uniform-warming forcings. We evaluate the Neural General Circulation Model (NeuralGCM), a hybrid model integrating a dynamical core with ML-based component, against observations and physics-based Earth system models (ESMs). At the synoptic scale, NeuralGCM captures the evolution and propagation of extratropical cyclones with performance comparable to ESMs. At the interannual scale, when forced by El Niño-Southern Oscillation sea surface temperature (SST) anomalies, NeuralGCM successfully reproduces associated teleconnection patterns but exhibits deficiencies in capturing nonlinear response. Under out-of-distribution uniform-warming forcings, NeuralGCM simulates similar responses in global-average temperature and precipitation and reproduces large-scale tropospheric circulation features similar to those in ESMs. Notable weaknesses include overestimating the tracks and spatial extent of extratropical cyclones, biases in the teleconnected wave train triggered by tropical SST anomalies, and differences in upper-level warming and stratospheric circulation responses to SST warming compared to physics-based ESMs. The causes of these weaknesses were explored.
• Abstract（参考訳）: 機械学習(ML)ベースのモデルは、高い技術と計算効率を示し、しばしば天気や季節下予測において従来の物理学ベースのモデルよりも優れている。 従来の研究は、光学スケールの大気力学を捉える際の忠実さを評価してきたが、その性能は、+3Kや+4K等のような、時間スケールや分布外の強制力によって評価され、偏見の源泉は、地球科学のモデル信頼性を確立するために、いまだ解明されていない。 ここでは、光学的スケールの現象、年々の変動性、分布外均一な強制を対象とする3つの実験セットを設計する。 我々は,力学コアをMLベースコンポーネントに統合したハイブリッドモデルであるNeural General Circulation Model(NeuralGCM)を,観測と物理に基づく地球系モデル(ESM)に対して評価した。 合成スケールでは、NeuralGCMはESMに匹敵する性能で、熱帯圏外サイクロンの進化と伝播を捉えている。 エルニーニョ・サウス・オシレーション海面温度(SST)異常に強いられた場合、ニューラルGCMは関連する遠隔接続パターンを再現することに成功したが、非線形応答を捉えるには不十分である。 分布外均一強制下では、NeuralGCMは平均気温と降水量で同様の反応をシミュレートし、ESMと同様の大規模な対流圏循環特性を再現する。 顕著な弱点は、熱帯低気圧の軌跡と空間的範囲の過大評価、熱帯SST異常によって引き起こされるテレコネクテッド波列のバイアス、SST温暖化に対する上層温暖化と成層圏循環応答の違いである。 これらの弱点の原因が調査された。

関連論文リスト

• Time-Varying Causal Treatment for Quantifying the Causal Effect of Short-Term Variations on Arctic Sea Ice Dynamics [0.16206783799607727]
  氷融解と淡水分布の因果関係の定量化が重要である。 本研究では,海氷厚とSSHの因果メカニズムを定量化するために,知識誘導変分オートエンコーダ(KGCM-VAE)を提案する。 KGCM-VAEが最先端のベンチマークよりPEHEより優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-25T01:44:55Z)
• Benchmarking atmospheric circulation variability in an AI emulator, ACE2, and a hybrid model, NeuralGCM [0.0]
  物理に基づく、所定の海面温度を持つ大気圏モデルは、顕著な成功であるが、観測と比較して大気の変動を示す能力にもバイアスがある。 近年、AIエミュレータとハイブリッドモデルが登場し、これらのバイアスを克服する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-10-06T03:42:18Z)
• The Equilibrium Response of Atmospheric Machine-Learning Models to Uniform Sea Surface Temperature Warming [0.0]
  機械学習モデルは、地球の気候の安定な複数年シミュレーションを生成することができる。 我々は, 海面温度の均一な上昇に対するいくつかの最先端MLモデルの気候応答を評価した。 我々の結果は、気候変動の応用におけるMLモデルの約束と現在の限界を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-02T13:42:37Z)
• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Probing forced responses and causality in data-driven climate emulators: conceptual limitations and the role of reduced-order models [0.0]
  現在のニューラルな気候エミュレータは、すべての複雑さで大気-海洋系を解決しようとするが、しばしば強制的な反応の再現に失敗する。 本研究では, 表面温度場と放射フラックスの結合変動を解析するためのニューラルモデルを構築した。
  論文  参考訳（メタデータ） (2025-06-27T18:04:36Z)
• NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
  複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。 我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。 NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-27T10:54:40Z)
• Advancing Seasonal Prediction of Tropical Cyclone Activity with a Hybrid AI-Physics Climate Model [2.5701544858386396]
  機械学習モデルは天気予報で成功し、気候シミュレーションの進歩を示している。 Googleが開発したハイブリッドML物理大気モデルであるNeural General Circulation Model (NeuralGCM)を用いて,この実現可能性を示す。
  論文  参考訳（メタデータ） (2025-04-30T19:42:16Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Emergence of fluctuating hydrodynamics in chaotic quantum systems [47.187609203210705]
  ゆらぎの流体力学をモデル化するために, マクロ揺らぎ理論 (MFT) が最近開発された。 粒子数変動の総数統計量を監視する大規模量子シミュレーションを行う。 以上の結果から,孤立量子系の大規模変動は創発的な流体力学的挙動を示すことが示唆された。
  論文  参考訳（メタデータ） (2023-06-20T11:26:30Z)
• DiffESM: Conditional Emulation of Earth System Models with Diffusion Models [2.1989764549743476]
  地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。 拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
  論文  参考訳（メタデータ） (2023-04-23T17:12:33Z)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Slow semiclassical dynamics of a two-dimensional Hubbard model in disorder-free potentials [77.34726150561087]
  調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。 特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:51:25Z)
• Probing eigenstate thermalization in quantum simulators via fluctuation-dissipation relations [77.34726150561087]
  固有状態熱化仮説(ETH)は、閉量子多体系の平衡へのアプローチの普遍的なメカニズムを提供する。 本稿では, ゆらぎ・散逸関係の出現を観測し, 量子シミュレータのフルETHを探索する理論に依存しない経路を提案する。 我々の研究は、量子シミュレータにおける熱化を特徴づける理論に依存しない方法を示し、凝縮物質ポンプ-プローブ実験をシミュレーションする方法を舗装する。
  論文  参考訳（メタデータ） (2020-07-20T18:00:02Z)

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。