論文の概要: Anticipating tipping in spatiotemporal systems with machine learning

• arxiv url: http://arxiv.org/abs/2604.06454v1
• Date: Tue, 07 Apr 2026 20:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.235321
• Title: Anticipating tipping in spatiotemporal systems with machine learning
• Title（参考訳）: 機械学習を用いた時空間システムにおけるチップの予測
• Authors: Smita Deb, Zheng-Meng Zhai, Mulugeta Haile, Ying-Cheng Lai,
• Abstract要約: パラメータ適応型貯水池計算の機械学習フレームワークを用いて,複雑な力学系のチップを正確に予測する。 本研究は,CMIP5結合モデル相互比較プロジェクト5において,様々な時間的力学系における予測ウィンドウ内でのチップの同定を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In nonlinear dynamical systems, tipping refers to a critical transition from one steady state to another, typically catastrophic, steady state, often resulting from a saddle-node bifurcation. Recently, the machine-learning framework of parameter-adaptable reservoir computing has been applied to predict tipping in systems described by low-dimensional stochastic differential equations. However, anticipating tipping in complex spatiotemporal dynamical systems remains a significant open problem. The ability to forecast not only the occurrence but also the precise timing of such tipping events is crucial for providing the actionable lead time necessary for timely mitigation. By utilizing the mathematical approach of non-negative matrix factorization to generate dimensionally reduced spatiotemporal data as input, we exploit parameter-adaptable reservoir computing to accurately anticipate tipping. We demonstrate that the tipping time can be identified within a narrow prediction window across a variety of spatiotemporal dynamical systems, as well as in CMIP5 (Coupled Model Intercomparison Project 5) climate projections. Furthermore, we show that this reservoir-computing framework, utilizing reduced input data, is robust against common forecasting challenges and significantly alleviates the computational overhead associated with processing full spatiotemporal data.
• Abstract（参考訳）: 非線形力学系において、チップング(英: tipping)とは、ある定常状態から別の定常状態(典型的には破滅的で安定した状態)への臨界遷移であり、しばしばサドルノード分岐によって生じる。 近年、パラメータ適応型貯水池計算の機械学習フレームワークが、低次元確率微分方程式で記述されたシステムのチップの予測に応用されている。 しかし、複雑な時空間力学系におけるチップの予測は依然として大きな問題である。 タイムリーな緩和に必要な動作可能なリードタイムを提供するためには、発生だけでなく、そのタイミングを正確に予測する能力が不可欠である。 非負行列分解の数学的アプローチを利用して、次元的に減少する時空間データを入力として生成することにより、パラメータ適応型貯水池計算を利用して正確にチップを予測する。 本研究では,様々な時空間力学系およびCMIP5(Coupled Model Intercomparison Project 5)気候予測系において,ピーク時間を狭義の予測ウィンドウ内で同定できることを実証した。 さらに, この貯水池計算フレームワークは, 入力データを削減し, 一般的な予測問題に対して頑健であり, 全時空間データ処理に伴う計算オーバーヘッドを大幅に軽減することを示した。

関連論文リスト

• Spatiotemporal System Forecasting with Irregular Time Steps via Masked Autoencoder [36.06018466897679]
  物理時空間マスケオートエンコーダは、不規則時系列に最適化されたマスク付きオートエンコーダと空間特徴抽出のための畳み込みオートエンコーダを統合する。 本手法は,複数のシミュレーションデータセットと実世界の海洋温度データを用いて評価する。 このモデルは、気候モデリング、流体力学、海洋予測、環境モニタリング、科学計算など、ドメイン固有の知識を必要とせずに複雑な時間パターンをキャプチャする可能性を示している。
  論文  参考訳（メタデータ） (2026-03-26T16:14:11Z)
• Attention-Enhanced Convolutional Autoencoder and Structured Delay Embeddings for Weather Prediction [0.5729426778193397]
  本研究は,短距離気象予測のための効率的なリダクション・オーダー・モデリング(ROM)フレームワークを提案する。 大規模な計算リソースを必要とする最近のAI駆動モデルとは異なり、我々のフレームワークは適切な精度を確保しながら効率を優先する。
  論文  参考訳（メタデータ） (2025-11-16T16:53:27Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Temporal Convolution Derived Multi-Layered Reservoir Computing [5.261277318790788]
  貯水池の状態空間への入力データの新たなマッピングを提案する。 ニューラルネットワークの並列化性,深さ,予測能力を向上する2つの新しいネットワークアーキテクチャにこの手法を組み込む。 カオス時系列では、Echo State Networksと比較して最大85.45%、Gated Recurrent Unitsと比較して90.72%のエラー削減が観察される。
  論文  参考訳（メタデータ） (2024-07-09T11:40:46Z)
• Deep Convolutional Architectures for Extrapolative Forecast in Time-dependent Flow Problems [0.0]
  深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。 これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。 ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
  論文  参考訳（メタデータ） (2022-09-18T03:45:56Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
  我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。 いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。 我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
  論文  参考訳（メタデータ） (2020-07-28T08:15:17Z)

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。