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
• 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

• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• 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)
• Can Test-Time Scaling Improve World Foundation Model? [67.82670175383761]
  我々は世界基盤モデル(WFM)に適したテストタイムスケーリングフレームワークであるSWIFTを紹介する。 SWIFTは、高速トークン化、確率ベースのTop-Kプルーニング、効率的なビームサーチを含むプロセスレベルの推論戦略とWFM評価ツールキットを統合した。 その結果,テストタイムスケーリング法則はWFMに対して有効であり,SWIFTはモデルサイズを調整・増大させることなく,WFM推論を改善するためのスケーラブルで効果的な経路を提供することがわかった。
  論文  参考訳（メタデータ） (2025-03-31T17:07:37Z)
• Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
  私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。 合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。 365日間の長距離気象観測では、球面データ表現を定式化するアーキテクチャにおいて、優れた安定性と物理的健全性を観察する。
  論文  参考訳（メタデータ） (2024-07-19T08:59:00Z)
• 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)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• 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)
• WeatherBench 2: A benchmark for the next generation of data-driven global weather models [42.26095146173719]
  WeatherBench 2は、Raspらによって提案されたグローバルな中距離(1～14日)の天気予報ベンチマークのアップデートである。 WeatherBench 2は、オープンソースの評価フレームワーク、公開トレーニング、ベースラインデータ、最新のメトリクスと最先端モデルを備えた継続的に更新されたWebサイトで構成されている。
  論文  参考訳（メタデータ） (2023-08-29T18:32:08Z)
• 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)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)

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。