論文の概要: PhysMetrics.Weather: An Evaluation Framework for Physical Consistency in ML Weather Models

• arxiv url: http://arxiv.org/abs/2606.10642v2
• Date: Thu, 11 Jun 2026 11:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 13:39:59.583781
• Title: PhysMetrics.Weather: An Evaluation Framework for Physical Consistency in ML Weather Models
• Title（参考訳）: PhysMetrics.Weather:ML気象モデルにおける物理的整合性評価フレームワーク
• Authors: Emma Kasteleyn, Timo Maier, Axel Lauer, Veronika Eyring, Pierre Gentine, Ana Lucic,
• Abstract要約: 本稿では機械学習天気予報モデルの物理的現実性を評価する評価フレームワークPhysMetrics$.$Weatherを紹介する。 物理リアリズムを定量化することにより、MLWPモデルが運用に信頼性があるかどうかを評価するのに役立つ。
• 参考スコア（独自算出の注目度）: 4.098005604417204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning weather prediction (MLWP) models have achieved impressive forecasting performance at a small fraction of the computational costs required for traditional physics-based methods. However, they are primarily (1) data-driven and (2) evaluated using pixel-wide error metrics (e.g., RMSE), so there are no guarantees that their forecasts are consistent with known physical laws. We introduce PhysMetrics$.$Weather, an evaluation framework that assesses the physical realism of MLWP models across three types of metrics: conservation, spectral, and dynamical. By quantifying physical realism, this tool guides the development of physics-informed architectures and helps evaluate whether MLWP models are reliable for operational use. Our framework is available on Github at https://github.com/Emmakast/PhysMetrics.Weather.
• Abstract（参考訳）: 機械学習天気予報(MLWP)モデルは、従来の物理学に基づく手法に必要な計算コストのごく一部で、印象的な予測性能を達成した。 しかし,(1)データ駆動であり,(2)画素幅の誤差測定値(例えばRMSE)を用いて評価されるので,予測が既知の物理法則と一致していることは保証されない。 PhysMetrics$を紹介します。 $Weatherは,MLWPモデルの物理リアリズムを,3種類のメトリクス – 保存,スペクトル,動的 – で評価するフレームワークだ。 物理リアリズムを定量化することにより、このツールは物理インフォームドアーキテクチャの開発をガイドし、MLWPモデルが運用に信頼性があるかどうかを評価するのに役立つ。 私たちのフレームワークはGithubでhttps://github.com/Emmakast/PhysMetrics.Weather.comで公開されています。

関連論文リスト

• Physics-Guided Learning of Meteorological Dynamics for Weather Downscaling and Forecasting [19.41746149629991]
  天気予報は必須であるが、計算集約的で物理的に不完全なままである。 我々は物理方程式と潜在力化をデータ駆動モデルに統合する物理誘導ディープラーニングフレームワークであるPhyDL-NWPを提案する。 実験の結果,PhyDL-NWPは予測性能と物理的整合性の両方を改善した。
  論文  参考訳（メタデータ） (2025-05-20T16:13:20Z)
• 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)
• On some limitations of data-driven weather forecasting models [0.0]
  本稿では,現在のMLモデルの先駆者であるPangu-Weather氏の予測のいくつかの側面について検討する。 主な結論は、Pangu-Weather予測と、おそらく同様のMLモデルの予測は、物理ベースのモデルの忠実性と物理的整合性を持っていないということである。
  論文  参考訳（メタデータ） (2023-09-15T15:21:57Z)
• Physion++: Evaluating Physical Scene Understanding that Requires Online Inference of Different Physical Properties [100.19685489335828]
  この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。 正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。 我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
  論文  参考訳（メタデータ） (2023-06-27T17:59:33Z)
• Physics-constrained deep learning postprocessing of temperature and humidity [0.0]
  深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。 熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
  論文  参考訳（メタデータ） (2022-12-07T09:31:25Z)

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。