論文の概要: Acceleration of horizontal numerical advection for atmospheric modeling through surrogate modeling with temporal coarse-graining

• arxiv url: http://arxiv.org/abs/2605.10956v1
• Date: Thu, 30 Apr 2026 23:47:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.747401
• Title: Acceleration of horizontal numerical advection for atmospheric modeling through surrogate modeling with temporal coarse-graining
• Title（参考訳）: 時空粗粒法による代理モデルによる大気モデルにおける水平数値対流の加速
• Authors: Manho Park, Christopher V. Rackauckas, Christopher W. Tessum,
• Abstract要約: 本研究では,空間分解能を犠牲にすることなく,対流シミュレーションを高速化する機械学習型解法を開発した。 我々のソルバフレームワークは、集中度とCFL数を入力とし、質量フラックスを出力する畳み込みニューラルネットワークを含む。 速度の増大と精度の低下は粗化の増大とともに減少し、r2 = 0.24$の精度は10倍の速度で失われる。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learned surrogate modeling of advection may accelerate geoscientific models, but existing approaches have either achieved limited speedup or have sacrificed spatial resolution compared to the model they are trained to emulate. We developed a machine-learned solver that speeds up advection simulations without sacrificing spatial resolution through the use of temporal coarse-graining, where the model is trained to take larger integration steps than dictated by the Courant-Friedrich-Lewy (CFL) condition. Our solver framework includes a convolutional neural network that takes concentrations and CFL numbers as inputs and outputs mass flux. Our solvers emulate 10-day ground-level horizontal advection simulations with r$^2$ values against the baseline ranging from 0.60--0.98 with temporal coarsening factors of 4 to 32 times the baseline integration time step. Speed increases and accuracy decreases with increased coarsening, with $r^2 = 0.24$ in accuracy lost for every factor of 10 gained in speed, reaching a maximum 92$\times$ speedup while maintaining $r^2 = 0.60$. We deliberately trained our solvers only on January ground-level wind data to examine their ability to generalize across seasons and vertical heights. The 4$\times$-coarsened learned solver successfully reproduces simulations over 72 vertical levels. The 8$\times$--16$\times$ solvers (but not 32$\times$) emulate most vertical levels. The learned solvers also generalize well across seasons, except for instabilities in June and October. With additional fine-tuning, these learned solvers could be appropriate for operational use where trading accuracy for speed could be advantageous, such as in screening tools, in ensemble simulations, or with data assimilation.
• Abstract（参考訳）: 対流の機械学習によるシュロゲート・モデリングは地質学的なモデルを加速させるが、既存のアプローチは限られたスピードアップを達成するか、エミュレートするために訓練されたモデルと比較して空間分解能を犠牲にした。 本研究では,Courant-Friedrich-Lewy(CFL)条件よりも大きな積分ステップを学習し,空間分解能を犠牲にすることなく,対流シミュレーションを高速化する機械学習型ソルバを開発した。 我々のソルバフレームワークは、集中度とCFL数を入力とし、質量フラックスを出力する畳み込みニューラルネットワークを含む。 提案手法は, 時間的粗大化係数がベースライン積分時間ステップの4倍から32倍となる0.60--0.98に対して, r$^2$値で10日間の地中水平対流シミュレーションをエミュレートする。 速度の上昇と精度の低下は、粗さの増加とともに減少し、$r^2 = 0.24$の精度が10の係数で失われ、$r^2 = 0.60$を維持しながら最大92$\times$のスピードアップに達する。 我々は1月の地中風速データのみを意図的にトレーニングし、季節や垂直高度をまたいで一般化する能力について検討した。 4$\times$-coarsened学習解法は72以上の垂直レベルのシミュレーションをうまく再現する。 8$\times$--16$\times$ソルバ(ただし32$\times$ではない)は、ほとんどの垂直レベルをエミュレートする。 学習した解法は、6月と10月の不安定性を除いて季節にわたってよく一般化される。 さらなる微調整により、これらの学習された解法は、スクリーニングツール、アンサンブルシミュレーション、データ同化など、速度のトレーディング精度が有利な運用用途に適している可能性がある。

関連論文リスト

• Fast, accurate, high-resolution simulation of large-scale Fermi-Hubbard models on a digital quantum processor [2.182919491659049]
  超伝導量子プロセッサ上での1次元Fermi-Hubbardモデルのディジタル量子シミュレーションについて報告する。 我々は、回路の複雑さを低減する効率的なマッピングにより、最大120キュービットでこの問題をエンコードする。 最大90段のトロッターステップを用いて動的進化をシミュレートするために,誤差抑制による精度の向上を行う。
  論文  参考訳（メタデータ） (2026-05-05T17:49:07Z)
• Autonomous Adaptive Solver Selection for Chemistry Integration via Reinforcement Learning [0.0]
  本稿では,化学統合中に暗黙的BDF積分器(CVODE)と準定常解器(QSS)を自律的に選択する制約付き強化学習(RL)フレームワークを提案する。 0D同質の原子炉条件全体では、RL適応政策は平均速度が約3倍、速度が1.11倍から10.58倍になる。 再訓練なしでは、0D訓練された政策は1D逆流拡散炎に10ドル-2000mathrms-1$で移行し、一貫した$approx 2.2を提供する。
  論文  参考訳（メタデータ） (2026-03-31T21:44:58Z)
• Towards Spatio-Temporal Extrapolation of Phase-Field Simulations with Convolution-Only Neural Networks [0.4104352271917983]
  完全に畳み込み、条件付きパラメータ化されたU-Netサロゲートを導入し、空間と時間の両方でトレーニングデータを超えて外挿する。 私たちのフレームワークは最大36,000回のスピードアップも可能で、数週間のシミュレーションの実行時間を数秒に短縮します。
  論文  参考訳（メタデータ） (2026-01-08T02:25:14Z)
• Hyperparameter Transfer Enables Consistent Gains of Matrix-Preconditioned Optimizers Across Scales [55.91454326946738]
  学習速度と減量率の最適化は,幅広い言語に対して,モデルの幅と深さでどのようにスケールするかを検討する。 我々は、$Pによる学習率のスケーリングは転送を改善するが、それでもかなりの有限幅偏差に悩まされる可能性があることを見出した。 計算-最適スケーリングでは、独立したウェイト崩壊が1/mathrmwidth$で言語間でほぼ最適であることが分かる。
  論文  参考訳（メタデータ） (2025-12-05T11:03:41Z)
• Extrapolating Phase-Field Simulations in Space and Time with Purely Convolutional Architectures [0.4104352271917983]
  LMD(Liquid Metal dealloying)の位相場モデルは、リッチな微細構造力学を解くことができるが、大きな領域や長い時間的地平線では難解となる。 条件付きパラメータ化された完全に畳み込みされたU-Netサロゲートは、空間と時間の両方でトレーニングウィンドウをはるかに越えて一般化する。
  論文  参考訳（メタデータ） (2025-09-25T05:52:59Z)
• Few-step Flow for 3D Generation via Marginal-Data Transport Distillation [104.76254102015794]
  数段階の3次元流体蒸留のための新しいフレームワーク MDT-dist を提案する。 我々のアプローチは、事前訓練されたモデルを蒸留して、Marginal-Data Transportを学習する、という第一の目的に基づいて構築されている。 提案手法は,A800におけるA800の9.0倍,6.5倍の速度で0.68s (1 Step x2) と0.94s (2 Step x2) のレイテンシを実現するため,各流れトランスのサンプリングステップを25から2に短縮する。
  論文  参考訳（メタデータ） (2025-09-04T17:24:31Z)
• Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting [0.0]
  本稿では,HEC-RASを解法としてではなく,データ生成エンジンとして扱う深層学習サロゲートを提案する。 ミシシッピ川流域の67か所で訓練され、サロゲートは1年間、目に見えないホールドアウトシミュレーションで評価された。 結果は、モデルが高い予測精度を達成し、中央値の絶対ステージ誤差は0.31フィートであることを示している。
  論文  参考訳（メタデータ） (2025-07-21T13:38:54Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)

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。