論文の概要: Deep Learning Surrogates for Emulating Stochastic Climate Tipping Dynamics

• arxiv url: http://arxiv.org/abs/2605.20580v1
• Date: Wed, 20 May 2026 00:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.419168
• Title: Deep Learning Surrogates for Emulating Stochastic Climate Tipping Dynamics
• Title（参考訳）: 確率的気候タイピングダイナミクスをエミュレートするためのディープラーニングサロゲート
• Authors: Adeline Hillier, Jennifer Sleeman, Jay Brett, Caroline Tang, Jenelle Millison, Anand Gnanadesikan,
• Abstract要約: 我々は、サロゲートが数千のタイムステップにまたがるチップイベントを予測する能力を実証する。 アーキテクチャと目的関数の変更は、大西洋と太平洋の崩壊のタイミングを予測する代理となる。 学習したサロゲートは数値シミュレータ上で465倍の計算速度を達成する。
• 参考スコア（独自算出の注目度）: 0.03908906925636173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work explores a dynamics-informed Temporal Fusion Transformer (TFT) as a data-driven surrogate for computationally intensive Earth system simulations. Focusing on multivariate time series describing global ocean transport, we demonstrate the surrogate's ability to forecast tip events across thousands of time steps. The data involve up to 21 non-stationary time series in addition to static covariates describing free parameters and initial conditions. Modifications to the architecture and objective function yield a surrogate that anticipates the timing of Atlantic and Pacific collapses to high fidelity and captures the stochastic uncertainty in transition timing across ensemble predictions. The learned surrogate achieves a 465x computational speedup over the numerical simulator while maintaining differentiability with respect to parameters and initial conditions.
• Abstract（参考訳）: 本研究では、動的インフォームド・テンポラル・フュージョン・トランスフォーマー(TFT)を、計算集約的な地球系シミュレーションのためのデータ駆動サロゲートとして検討する。 グローバルな海洋輸送を記述した多変量時系列に焦点をあてて、何千もの時間ステップにわたるチップイベントを予測するサロゲートの能力を示す。 データは、自由パラメータと初期条件を記述する静的共変に加えて、21個の非定常時系列を含む。 アーキテクチャと目的関数の修正により、大西洋と太平洋の崩壊のタイミングを高い忠実度に予測し、アンサンブル予測の遷移タイミングにおける確率的不確実性を捉えるサロゲートが得られる。 学習したサロゲートは、パラメータや初期条件に対する微分性を保ちながら、数値シミュレータ上で465倍の計算スピードアップを達成する。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Learning Response-Statistic Shifts and Parametric Roll Episodes from Wave--Vessel Time Series via LSTM Functional Models [0.0]
  パラメトリックロールは、船の反応の急激な状態変化を引き起こす、まれだが高頻度の不安定性である。 本稿では,入射波動時系列から容器運動への非線形・因果関数マッピングを学習するデータ駆動サロゲートを開発した。
  論文  参考訳（メタデータ） (2026-03-25T15:38:26Z)
• Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
  連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。 このモデルでは,数値解法よりも高速な推定が可能である。
  論文  参考訳（メタデータ） (2026-03-05T09:39:44Z)
• HyperFLINT: Hypernetwork-based Flow Estimation and Temporal Interpolation for Scientific Ensemble Visualization [26.472939569860607]
  HyperFLINTは、流れ場を推定し、時間的に補間し、アンサンブルデータにおけるパラメータ空間探索を容易にする、新しいディープラーニングベースのアプローチである。 一連の実験では、HyperFLINTのフロー場推定性能が大幅に向上し、パラメータ空間探索が可能になった。
  論文  参考訳（メタデータ） (2024-12-05T12:01:20Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Stochastic Latent Transformer: Efficient Modelling of Stochastically Forced Zonal Jets [0.0]
  本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。 SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。 水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-10-25T16:17:00Z)

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。