論文の概要: Thermodynamic-Inspired Explainable GeoAI: Uncovering Regime-Dependent Mechanisms in Heterogeneous Spatial Systems

• arxiv url: http://arxiv.org/abs/2604.04339v1
• Date: Mon, 06 Apr 2026 01:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.051629
• Title: Thermodynamic-Inspired Explainable GeoAI: Uncovering Regime-Dependent Mechanisms in Heterogeneous Spatial Systems
• Title（参考訳）: 熱力学にインスパイアされた説明可能なジオAI:不均質空間系におけるレジーム依存機構の解明
• Authors: Sooyoung Lim, Zhenlong Li, Zi-Kui Liu,
• Abstract要約: 本稿では,統計力学とグラフニューラルネットワークを統合した熱力学に基づく説明可能な地理空間AIフレームワークを提案する。 提案手法は,標準基準を逸脱する予測器の状況依存的役割逆転をうまく識別するものである。 これらの結果から, 複雑な空間系における予測性能を保ちながら, 熱力学的制約がGeoAIの解釈可能性を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 0.49157446832511503
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modeling spatial heterogeneity and associated critical transitions remains a fundamental challenge in geography and environmental science. While conventional Geographically Weighted Regression (GWR) and deep learning models have improved predictive skill, they often fail to elucidate state-dependent nonlinearities where the functional roles of drivers represent opposing effects across heterogeneous domains. We introduce a thermodynamics-inspired explainable geospatial AI framework that integrates statistical mechanics with graph neural networks. By conceptualizing spatial variability as a thermodynamic competition between system Burden (E) and Capacity (S), our model disentangles the latent mechanisms driving spatial processes. Using three simulation datasets and three real-word datasets across distinct domains (housing markets, mental health prevalence, and wildfire-induced PM2.5 anomalies), we show that the new framework successfully identifies regime-dependent role reversals of predictors that standard baselines miss. Notably, the framework explicitly diagnoses the phase transition into a Burden-dominated regime during the 2023 Canadian wildfire event, distinguishing physical mechanism shifts from statistical outliers. These findings demonstrate that thermodynamic constraints can improve the interpretability of GeoAI while preserving strong predictive performance in complex spatial systems.
• Abstract（参考訳）: 空間的不均一性と関連する臨界遷移をモデル化することは、地理と環境科学における根本的な課題である。 従来の地理重み付き回帰(GWR)とディープラーニングモデルでは予測スキルが向上しているが、ドライバの機能的役割が異種領域間で対立する効果を示すような状態依存の非線形性の解明には失敗することが多い。 本稿では,統計力学とグラフニューラルネットワークを統合した熱力学に基づく説明可能な地理空間AIフレームワークを提案する。 システムバーデン (E) と容量 (S) の熱力学的競合として空間変動性を概念化し, 空間過程を駆動する潜伏機構を解離する。 3つのシミュレーションデータセットと3つの実単語データセット(住宅市場、メンタルヘルスの有病率、山火事によるPM2.5異常)を用いて、標準的な基準線を逸脱する予測器の状況依存的な役割逆転を同定することに成功した。 特にこのフレームワークは、2023年のカナダの山火事の際、バーデンが支配する体制への相転移を明示的に診断し、物理的メカニズムが統計的な外れ値から変化していくことを区別している。 これらの結果から, 複雑な空間系における予測性能を保ちながら, 熱力学的制約がGeoAIの解釈可能性を向上させることが示唆された。

関連論文リスト

• TRACE: A Multi-Agent System for Autonomous Physical Reasoning for Seismology [29.68103613315183]
  TRACE(Trans-perspective Reasoning and Automated Comprehensive Evaluator)は,大規模言語モデル計画と形式的地震学制約を組み合わせたマルチエージェントシステムである。 TRACEはストレスによって引き起こされる遅延トリガーを自律的に同定し、Mw 6.4とMw 7.1の主ショックの間のカスケード相互作用を解消する。 2025年のサントリニ・コロンボ火山噴火では、構造的にガイドされた侵入モデルが特定され、断層流路を経由するエピソード移動と、均質の地殻崩壊で予想される継続的な伝播を区別する。
  論文  参考訳（メタデータ） (2026-03-22T10:06:52Z)
• Entanglement dynamics driven by topology and non-Hermiticity [10.723964077650384]
  エンタングルメントエントロピーと輸送電流は、様々な非エルミート的トポロジカルな状態を区別する堅牢なプローブとして機能する。 我々は、動的位相図をマッピングし、EEスケーリングと時間プロファイルがコヒーレントな非局在化とNHSE駆動のローカライゼーションの競合を直接反映していることを示す。 本研究は,非エルミチアンカップリングによるエンタングルメントと輸送のプログラム的アプローチを確立した。
  論文  参考訳（メタデータ） (2025-12-30T09:35:14Z)
• Energy-based Epistemic Uncertainty for Graph Neural Networks [47.52218144839666]
  高品質な不確実性推定を提供するエネルギーベースモデル(EBM)を提案する。 我々は、エネルギー関数を正則化することにより、データ空間の可積分密度を確実に誘導する。 我々のフレームワークは、様々な分散シフトに敏感な事前学習GNNに適用可能な、シンプルで効果的なポストホック手法である。
  論文  参考訳（メタデータ） (2024-06-06T13:13:29Z)
• Out-of-Distribution Generalized Dynamic Graph Neural Network with Disentangled Intervention and Invariance Promotion [61.751257172868186]
  動的グラフニューラルネットワーク(DyGNN)は、グラフと時間力学を利用して強力な予測能力を実証している。 既存のDyGNNは、動的グラフに自然に存在する分散シフトを処理できない。
  論文  参考訳（メタデータ） (2023-11-24T02:42:42Z)
• Mitigation of Spatial Nonstationarity with Vision Transformers [1.690637178959708]
  深層学習モデル予測性能に対する2種類の測地的空間非定常性の影響を示す。 本稿では,自己注意モデル(ビジョン・トランスフォーマー)を用いて,そのような影響の緩和を提案する。
  論文  参考訳（メタデータ） (2022-12-09T02:16:05Z)
• A physics-based domain adaptation framework for modelling and forecasting building energy systems [5.8010446129208155]
  最先端の機械学習ベースのモデルは、建物内のエネルギー挙動のモデリングと予測に一般的な選択肢である。 しかし、それらの構造は、物理現象の制御と結びついた物理的・機械的構造を持たない。 我々はラベル付きデータの代わりに、熱伝達常微分方程式によって支配されるLTIの幾何学構造を利用する新しいSDA手法を導入する。
  論文  参考訳（メタデータ） (2022-08-19T17:27:39Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Self-consistent theory of mobility edges in quasiperiodic chains [62.997667081978825]
  準周期ポテンシャルを持つ近辺強結合鎖における移動端の自己整合理論を導入する。 モビリティエッジは、一般に研究されているオーブリー=アンドルー=ハーパー模型のエネルギー非依存的な自己双対性を欠いた準周期系において一般的なものである。
  論文  参考訳（メタデータ） (2020-12-02T19:00:09Z)

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。