論文の概要: The physics of AI weather models

• arxiv url: http://arxiv.org/abs/2605.23778v1
• Date: Fri, 22 May 2026 15:43:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.418304
• Title: The physics of AI weather models
• Title（参考訳）: AI気象モデルの物理
• Authors: George Craig, Tobias Selz, Matthias Beylich, Kirsten I. Tempest,
• Abstract要約: アーキテクチャとキャパシティの違いにもかかわらず、異なるAI天気モデルが同様の方法で大気を表すことを示す。 本研究では,各メッシュ点における潜時変数が高次元潜時空間における粒子の位置に対応する大気の粒子記述を実装したモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Could it be that AI weather models are solving physical equations, although they may not be the equations used by conventional NWP models? We compute correlations of forecast skill and Centered Kernel Alignment, providing evidence that different AI weather models represent the atmosphere in similar ways, despite differences in architecture and capacity. We argue that the architecture and training of the AI models constrains the form of the physical laws that they might simulate. In particular, we propose that the models implement a particle description of the atmosphere, where the latent variables at each mesh point correspond to the position of a particle in the high dimensional latent space. We hypothesize that the movement of the particles follows a gradient flow in the latent space towards a minimum of a learned free energy functional. Analysis of the GraphCast and Aurora models show that they make changes on large spatial scales in the early processor layers and move to smaller scale with increasing layer depth, consistent with the gradient flow hypothesis.
• Abstract（参考訳）: AI気象モデルは、従来のNWPモデルで使われる方程式ではないかもしれないが、物理方程式を解いているのかもしれない。 我々は予測スキルとCentered Kernel Alignmentの相関を計算し、アーキテクチャや能力の違いにもかかわらず、異なるAI天気モデルが同様の方法で大気を表すことを示す証拠を提供する。 AIモデルのアーキテクチャとトレーニングは、それらがシミュレートするかもしれない物理法則の形式を制約している、と我々は主張する。 特に,各メッシュ点における潜時変数が高次元潜時空間における粒子の位置に対応するような大気の粒子記述を実装したモデルを提案する。 粒子の運動は、学習された自由エネルギー関数の最小値への潜伏空間の勾配の流れに従うと仮定する。 GraphCastモデルとAuroraモデルの解析により、初期のプロセッサ層における大きな空間スケールの変化が示され、勾配フロー仮説と整合して、層深さを増大させてより小さなスケールに移動する。

関連論文リスト

• Variational Grey-Box Dynamics Matching [45.595103078998385]
  非完全物理モデルを直接生成モデルに統合する新しいグレイボックス法を提案する。 提案手法は,物理パラメータを使わずに,観測軌道のみから力学を学習する。 代表的ODE/PDE問題に対する実験により,本手法が完全データ駆動手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2026-02-19T15:43:22Z)
• A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
  気象学における多くの問題は、AIモデルを使って解決できる。 データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。 本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-04-19T04:31:35Z)
• FusionForce: End-to-end Differentiable Neural-Symbolic Layer for Trajectory Prediction [1.03590082373586]
  本稿では、カメラ画像やライダー点雲から、荒れたオフロード地形におけるロボットの軌道予測を行うエンド・ツー・エンドの微分可能モデルを提案する。 このモデルは、ロボットとテランの相互作用力を予測する学習可能なコンポーネントと、古典力学の法則を強制するニューラル・シンボリック・レイヤを統合する。
  論文  参考訳（メタデータ） (2025-02-14T13:36:00Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。