論文の概要: Outperforming Self-Attention Mechanisms in Solar Irradiance Forecasting via Physics-Guided Neural Networks

• arxiv url: http://arxiv.org/abs/2604.13455v2
• Date: Fri, 17 Apr 2026 19:33:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 13:51:31.107646
• Title: Outperforming Self-Attention Mechanisms in Solar Irradiance Forecasting via Physics-Guided Neural Networks
• Title（参考訳）: 物理誘導ニューラルネットワークによる太陽光照射予測における自己注意機構の高性能化
• Authors: Mohammed Ezzaldin Babiker Abdullah, Rufaidah Abdallah Ibrahim Mohammed,
• Abstract要約: アーキテクチャの深さよりもドメイン知識を優先する軽量な物理インフォームドハイブリッドCNN-BiLSTMフレームワークを提案する。 標準的なデータ駆動アプローチとは異なり、私たちのモデルは、Clear-Sky IndicesやSolar Zenith Angleなど15のエンジニアリングされた特徴のベクターによって明示的に導かれています。 スーダンのNASA POWERデータを用いた実験的検証では、我々の物理誘導によるアプローチが19.53W/m2のルート平均角誤差(RMSE)を達成し、複雑な注意ベースラインを著しく上回ることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate Global Horizontal Irradiance (GHI) forecasting is critical for grid stability, particularly in arid regions characterized by rapid aerosol fluctuations. While recent trends favor computationally expensive Transformer-based architectures, this paper challenges the prevailing "complexity-first" paradigm. We propose a lightweight, Physics-Informed Hybrid CNN-BiLSTM framework that prioritizes domain knowledge over architectural depth. The model integrates a Convolutional Neural Network (CNN) for spatial feature extraction with a Bi-Directional LSTM for capturing temporal dependencies. Unlike standard data-driven approaches, our model is explicitly guided by a vector of 15 engineered features including Clear-Sky indices and Solar Zenith Angle - rather than relying solely on raw historical data. Hyperparameters are rigorously tuned using Bayesian Optimization to ensure global optimality. Experimental validation using NASA POWER data in Sudan demonstrates that our physics-guided approach achieves a Root Mean Square Error (RMSE) of 19.53 W/m^2, significantly outperforming complex attention-based baselines (RMSE 30.64 W/m^2). These results confirm a "Complexity Paradox": in high-noise meteorological tasks, explicit physical constraints offer a more efficient and accurate alternative to self-attention mechanisms. The findings advocate for a shift towards hybrid, physics-aware AI for real-time renewable energy management.
• Abstract（参考訳）: 特に急激なエアロゾル変動を特徴とする乾燥地帯において,GHI予測の精度はグリッド安定性に極めて重要である。 近年の傾向は計算コストの高いTransformerベースのアーキテクチャを好んでいるが、この論文は一般的な「複雑優先」パラダイムに挑戦する。 アーキテクチャの深さよりもドメイン知識を優先する軽量な物理インフォームドハイブリッドCNN-BiLSTMフレームワークを提案する。 このモデルは、空間的特徴抽出のための畳み込みニューラルネットワーク(CNN)と、時間的依存関係をキャプチャするための双方向LSTMを統合する。 標準的なデータ駆動アプローチとは異なり、当社のモデルは、生の履歴データのみに頼るのではなく、Clear-SkyインデックスやSolar Zenith Angleなど15のエンジニアリングされた機能のベクターによって明示的に導かれています。 ハイパーパラメータは、大域的最適性を保証するためにベイズ最適化を用いて厳密に調整される。 スーダンのNASA POWERデータを用いた実験により、我々の物理誘導によるアプローチが19.53 W/m^2のルート平均角誤差(RMSE)を達成し、複雑な注意に基づくベースライン(RMSE 30.64 W/m^2)を著しく上回ることを示した。 これらの結果は「複雑パラドックス(complexity Paradox)」を裏付けるものであり、高ノイズな気象問題においては、明示的な物理的制約は自己認識機構のより効率的で正確な代替手段を提供する。 この発見は、リアルタイム再生可能エネルギー管理のためのハイブリッドな物理対応AIへの移行を提唱している。

関連論文リスト

• Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems [0.0]
  本稿では,エッジ展開マイクロコントローラの効率性と物理精度のギャップを埋める物理インフォームド・ステート・スペース・モデル(PISSM)を提案する。 線形状態空間モデルは重心の注意機構を置き換え、並列処理のための時間依存を効率的にモデル化する。 PISSMは4万パラメータ未満で優れた精度を達成し、リアルタイムオフグリッド制御のための超軽量なベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-04-13T17:59:49Z)
• Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
  低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。 ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。 本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T07:38:55Z)
• Adaptive Physics Transformer with Fused Global-Local Attention for Subsurface Energy Systems [2.7106545070231722]
  textbfAdaptive Physics Transformer (APT) APTは、幾何学的、メッシュ的、物理的に依存しないニューラル演算子である。 適応メッシュ精錬シミュレーションから直接学習する最初のアーキテクチャ。
  論文  参考訳（メタデータ） (2026-02-10T22:48:58Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Unveiling the Spatial-temporal Effective Receptive Fields of Spiking Neural Networks [47.413471945080566]
  スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューロモルフィックコンピューティングにおいて大きな可能性を示す。 人工ニューラルネットワークでは、有効受容場(ERF)が特徴抽出能力を分析する貴重なツールとして機能する。 本稿では,ST-ERF(Spatio-Temporal Effective Receptive Field)を導入し,トランスフォーマーベースSNN間のRF分布を解析する。
  論文  参考訳（メタデータ） (2025-10-24T12:46:58Z)
• A Deep Learning Approach for Spatio-Temporal Forecasting of InSAR Ground Deformation in Eastern Ireland [2.840858735842673]
  地盤変位のモニタリングは、都市インフラと地質学的危険の軽減に不可欠である。 本稿では,スパース点計測を高密度時間テンソルに変換する新しいディープラーニングフレームワークを提案する。 その結果,提案アーキテクチャはより正確で空間的に整合性のある予測を提供することを示した。
  論文  参考訳（メタデータ） (2025-09-17T17:10:18Z)
• QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting [0.0]
  本研究は,高度な機械学習技術を用いた実践的有効性を強調した。 本モデルでは,気象予測の精度と信頼性が大幅に向上したことを示す。 本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
  論文  参考訳（メタデータ） (2025-01-18T20:18:48Z)
• A Scalable Real-Time Data Assimilation Framework for Predicting Turbulent Atmosphere Dynamics [8.012940782999975]
  我々は,汎用リアルタイムデータ同化フレームワークを導入し,そのエンドツーエンド性能をFrontierスーパーコンピュータ上で実証する。 このフレームワークは、アンサンブルスコアフィルタ(EnSF)とビジョントランスフォーマーベースのサロゲートの2つの主要モジュールから構成される。 ExascaleスーパーコンピュータであるFrontier上では、私たちのフレームワークの強いスケーリングと弱いスケーリングの両方を1024GPUで実証しています。
  論文  参考訳（メタデータ） (2024-07-16T20:44:09Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)

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。