論文の概要: PDE foundation models are skillful AI weather emulators for the Martian atmosphere

• arxiv url: http://arxiv.org/abs/2602.15004v1
• Date: Mon, 16 Feb 2026 18:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.630888
• Title: PDE foundation models are skillful AI weather emulators for the Martian atmosphere
• Title（参考訳）: PDEファンデーションモデルは火星大気の熟練したAI気象エミュレータである
• Authors: Johannes Schmude, Sujit Roy, Liping Wang, Theodore van Kessel, Levente Klein, Marcus Freitag, Eloisa Bentivegna, Robert Manson-Sawko, Bjorn Lutjens, Manil Maskey, Campbell Watson, Rahul Ramachandran, Juan Bernabe-Moreno,
• Abstract要約: 偏微分方程式の多種多様なコーパスに対する数値解に基づいて事前訓練されたAI基礎モデルを適用可能であることを示す。 本研究では,事前学習情報を保持しつつ,ポセイドンを2次元から3次元に拡張する方法を開発した。 プレトレーニングとモデル拡張の組み合わせによって,1年連続で34.4%のパフォーマンス向上が期待できる。
• 参考スコア（独自算出の注目度）: 3.1679671748343687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that AI foundation models that are pretrained on numerical solutions to a diverse corpus of partial differential equations can be adapted and fine-tuned to obtain skillful predictive weather emulators for the Martian atmosphere. We base our work on the Poseidon PDE foundation model for two-dimensional systems. We develop a method to extend Poseidon from two to three dimensions while keeping the pretraining information. Moreover, we investigate the performance of the model in the presence of sparse initial conditions. Our results make use of four Martian years (approx.~34 GB) of training data and a median compute budget of 13 GPU hours. We find that the combination of pretraining and model extension yields a performance increase of 34.4\% on a held-out year. This shows that PDEs-FMs can not only approximate solutions to (other) PDEs but also anchor models for real-world problems with complex interactions that lack a sufficient amount of training data or a suitable compute budget.
• Abstract（参考訳）: 偏微分方程式の多種多様なコーパスに対する数値解に基づいて事前訓練されたAI基礎モデルは、火星大気の予測エミュレータに適応し、微調整できることを示す。 我々は2次元システムのポセイドンPDE基礎モデルに基づく。 本研究では,事前学習情報を保持しつつ,ポセイドンを2次元から3次元に拡張する方法を開発した。 さらに,スパース初期条件が存在する場合のモデルの性能について検討した。 我々の結果は、トレーニングデータの4つの火星年(約34GB)と、中央値の計算予算が13GPU時間である。 その結果,事前学習とモデル拡張の組み合わせにより,1年連続で34.4\%の性能向上が得られた。 このことは、PDEs-FMsが(他の)PDEの解を近似するだけでなく、十分な量のトレーニングデータや適切な計算予算を欠いた複雑な相互作用を持つ実世界の問題に対するモデルをアンカーできることを示している。

関連論文リスト

• Towards Reasoning for PDE Foundation Models: A Reward-Model-Driven Inference-Time-Scaling Algorithm [2.203009896164144]
  本稿では,シミュレーション中に計算資源を利用するPDEのためのテスト時間コンピューティング(TTC)戦略を導入し,より正確な予測を行う。 TTCは、標準の非適応的自己回帰推論に対して改善された相対予測をキャプチャする。 このフレームワークは、より高度な推論アルゴリズムやPDEモデリングへの基礎的なステップであり、強化学習に基づくアプローチを取り入れている。
  論文  参考訳（メタデータ） (2025-09-02T21:31:32Z)
• Prithvi WxC: Foundation Model for Weather and Climate [2.9230020115516253]
  Prithvi WxCは、Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)から160変数を用いて開発された23億のパラメータ基盤モデルである。 このモデルは、異なる位相の気象現象を微細な解像度でモデル化するために、大きなトークン数に対応できるように設計されている。 本稿では, 自動回帰ロールアウト予測, ダウンスケーリング, 重力波フラックスパラメータ化, エクストリームイベント推定など, 課題のある下流タスクのセットでモデルを検証する。
  論文  参考訳（メタデータ） (2024-09-20T15:53:17Z)
• Poseidon: Efficient Foundation Models for PDEs [13.439921390410001]
  PoseidonはPDEのソリューション演算子を学ぶための基礎モデルである。 流体力学の制御方程式のデータセット上で事前訓練される。 その後、ダウンストリームタスクに挑戦する15のスイートで評価される。
  論文  参考訳（メタデータ） (2024-05-29T14:06:51Z)
• DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training [87.90342423839876]
  我々は,PDEデータに対するより安定的で効率的な事前学習を可能にする,自己回帰型事前学習戦略を提案する。 我々は,100k以上の軌道を持つ10以上のPDEデータセットに対して,最大0.5BパラメータでPDEファンデーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-03-06T08:38:34Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。