論文の概要: Earth-o1: A Grid-free Observation-native Atmospheric World Model

• arxiv url: http://arxiv.org/abs/2605.06337v1
• Date: Thu, 07 May 2026 14:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.89799
• Title: Earth-o1: A Grid-free Observation-native Atmospheric World Model
• Title（参考訳）: Earth-o1: グリッドレス観測ネイティブな大気モデル
• Authors: Junchao Gong, Kaiyi Xu, Wangxu Wei, Siwei Tu, Jingyi Xu, Zili Liu, Hang Fan, Zhiwang Zhou, Tao Han, Yi Xiao, Xinyu Gu, Zhangrui Li, Wenlong Zhang, Hao Chen, Xiaokang Yang, Yaqiang Wang, Lijing Cheng, Pierre Gentine, Wanli Ouyang, Feng Zhang, Zhe-Min Tan, Bowen Zhou, Fenghua Ling, Ben Fei, Lei Bai,
• Abstract要約: 我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
• 参考スコア（独自算出の注目度）: 81.55899748753434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the unprecedented volume of multimodal data provided by modern Earth observation systems, our ability to model atmospheric dynamics remains constrained. Traditional modeling frameworks force heterogeneous measurements into predefined spatial grids, inherently limiting the full exploitation of raw sensor data and creating severe computational bottlenecks. Here we present Earth-o1, an observation-native atmospheric world model that overcomes these structural limitations. Rather than relying on conventional atmospheric dynamical modeling systems or traditional data assimilation, Earth-o1 directly learns the continuous, three-dimensional physical evolution of the Earth system from ungridded observational data. By integrating diverse sensor inputs into a unified, grid-free dynamical field, the model autonomously advances the atmospheric state in space and time. We show that this fundamentally distinct paradigm enables direct, real-time forecasting and cross-sensor inference without the overhead of explicit numerical solvers. In hindcast evaluations, Earth-o1 achieves surface forecast skill comparable to the operational Integrated Forecasting System (IFS). These results establish that continuous, observation-driven world models -- a new class of fully observation-native geophysical simulators -- can match the fidelity of established physical frameworks, providing a scalable data-driven foundation for a digital twin of the Earth.
• Abstract（参考訳）: 現代の地球観測システムによって提供されるマルチモーダルデータの量は前例のない量であるにもかかわらず、大気力学をモデル化する能力は依然として制限されている。 従来のモデリングフレームワークは、不均一な測定を事前に定義された空間グリッドに強制し、本来は生センサデータの完全な利用を制限し、深刻な計算ボトルネックを生み出す。 ここでは、これらの構造的制限を克服する観測ネイティブな大気圏モデルであるEarth-o1を紹介する。 従来の大気力学モデリングシステムや従来のデータ同化に頼らず、地球-o1は、無数の観測データから、地球系の連続した三次元的な物理的進化を直接学んでいる。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。 後部評価では、Earth-o1は、IFS(Operation Integrated Forecasting System)に匹敵する表面予測技術を達成する。 これらの結果は、完全な観測ネイティブな地球物理シミュレーターの新たなクラスである継続的観測駆動の世界モデルが、確立された物理フレームワークの忠実さと一致し、地球のデジタル双生児のためのスケーラブルなデータ駆動基盤を提供することを証明している。

関連論文リスト

• SmallWorlds: Assessing Dynamics Understanding of World Models in Isolated Environments [15.243547292947397]
  我々はSmallWorld Benchmarkを紹介した。これは、分離された、正確に制御された動的条件下での世界モデル能力を評価するために設計されたテストベッドである。 我々は、Recurrent State Space Model、Transformer、Diffusion Model、Neural ODEなどの代表的アーキテクチャ上で、完全に観測可能な状態空間で包括的な実験を行う。 実験結果から, これらのモデルが環境構造を効果的に把握し, ロールアウトによる予測がいかに悪化するかが明らかになった。
  論文  参考訳（メタデータ） (2025-11-28T18:56:02Z)
• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• 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)
• Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [47.52225194259896]
  地球観測(EO)における多様な視覚タスクのための統一多モード基盤フレームワークを提案する。 神経可塑性にインスパイアされたDOFAは、波長条件の動的ハイパーネットワークを使用して、5つの異なる衛星センサーからの入力を柔軟に処理する。 センサ・ディバースEO領域における汎用視覚モデルの基礎としてのDOFAの可能性を示す。
  論文  参考訳（メタデータ） (2024-03-22T17:11:47Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
  本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。 降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2022-07-12T20:52:26Z)

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。