Fugu-MT 論文翻訳(概要): Physics-Constrained Neural Networks for Improved Short-Term Weather Forecasting: A Case Study over the South Pacific

論文の概要: Physics-Constrained Neural Networks for Improved Short-Term Weather Forecasting: A Case Study over the South Pacific

arxiv url: http://arxiv.org/abs/2606.17659v1
Date: Tue, 16 Jun 2026 08:18:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-17 17:15:32.349931
Title: Physics-Constrained Neural Networks for Improved Short-Term Weather Forecasting: A Case Study over the South Pacific
Title（参考訳）: 短期気象予報改善のための物理拘束型ニューラルネットワーク:南太平洋を事例として
Authors: Egor Bugaev, Fedor Buzaev, Dmitry Efremenko, Denis Derkach, Fedor Ratnikov,
Abstract要約: 本研究では,ハイブリッド短期気象予報モデルの精度と安定性を向上させるために,物理制約型ニューラルネットワーク(PCNN)の改良を提案する。改良された数値解法とベータ平面近似とサブグリッドスケールの粘度を組み合わせることで、積分時間を1200秒まで4倍にすることができる。統一された自己回帰ハイブリッドブロックは、24個の特別なモジュールの元々の連鎖を置き換え、特定のリードタイムへの過度な適合を排除した。
参考スコア（独自算出の注目度）: 0.7705076872059964
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study introduces enhancements to physics-constrained neural networks (PCNNs) that improve the accuracy and stability of hybrid short-term weather forecasting models. Building on the WeatherGFT architecture, three innovations are proposed. First, an upgraded numerical solver, combining a fifth-order weighted essentially non-oscillatory scheme (WENO-5), a beta-plane approximation, and subgrid-scale viscosity, permits a fourfold increase in the integration time step to 1200 s while reducing the daily mean squared error by up to 26%. Second, a unified autoregressive hybrid block replaces the original chain of 24 specialised modules, eliminating overfitting to specific lead times. Third, the physical core is integrated with two state-of-the-art neural backbones, resulting in PI-PredFormer and PI-IAM4VP. Evaluation on the WeatherBench South Pacific subset from 2000 to 2004 shows that these hybrids reduce root mean squared error at 1-12 h lead times by 8-22% compared to purely neural counterparts, while better preserving physical consistency. These results demonstrate that incremental refinement of hybrid components offers a practical route toward more accurate and efficient short-range weather forecasting.
Abstract（参考訳）: 本研究では,ハイブリッド短期気象予報モデルの精度と安定性を向上させるために,物理制約型ニューラルネットワーク(PCNN)の改良を提案する。 WeatherGFTアーキテクチャに基づく3つのイノベーションが提案されている。まず,5階重み付き本質的に非振動性スキーム (WENO-5) , ベータ平面近似, サブグリッドスケール粘度を併用した数値解法により, 積分時間ステップの4倍を1200秒まで増加させ, 平均二乗誤差を最大26%低減する。第2に、統一された自己回帰ハイブリッドブロックは、24個の特別なモジュールの元々の連鎖を置き換え、特定のリードタイムへの過度な適合を排除した。第3に、物理コアは2つの最先端の神経バックボーンに統合され、PI-PredFormerとPI-IAM4VPとなる。 2000年から2004年にかけてのWeatherBench South Pacificサブセットの評価では、これらのハイブリッドはルート平均2乗誤差を1～12hのリードタイムで8～22%削減し、物理的に整合性を保っている。これらの結果から,ハイブリッドコンポーネントの漸進的な改良は,より正確かつ効率的な短距離気象予報への実践的な道筋を提供することが示された。

関連論文リスト

Leveraging Structural Constraints for Diffusion-based Neural TSP Solvers [3.588053519843615]
FT2Tのような最先端のアプローチは、高速な一貫性ベースの予測と勾配ベースの推論時間改善を組み合わせたものである。そこで我々は,PCI (Projected Consistency Inference) を紹介した。 PCIは、500都市のユークリッド旅行セールスマン問題で0.17%、1000都市のユークリッド旅行セールスマン問題で0.31%の平均最適性ギャップ(OG)を達成し、FT2Tのベストセッティングを上回っている。
論文参考訳（メタデータ） (2026-06-08T11:08:36Z)
PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。本手法は,結合予測システムの長期安定性を著しく向上させる。
論文参考訳（メタデータ） (2026-05-09T13:12:33Z)
NeuroDDAF: Neural Dynamic Diffusion-Advection Fields with Evidential Fusion for Air Quality Forecasting [3.9956853658477307]
物理インフォームド予測フレームワークNeuroDDAFを提案する。 NeuroDDAFは、オープンシステムトランスポートモデリングとニューラル表現学習を統合する。 4つの都市データセットの実験では、NeuroDDAFは一貫して強いベースラインを上回っている。
論文参考訳（メタデータ） (2026-04-01T17:27:43Z)
SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文参考訳（メタデータ） (2026-03-18T05:51:08Z)
Long-Term PM2.5 Forecasting Using a DTW-Enhanced CNN-GRU Model [0.0]
PM2.5濃度の長期予測は、公衆衛生早期警戒システムにとって重要である。既存のディープラーニングアプローチは、48時間を超えて予測安定性を維持するのに苦労している。本稿では,知的ステーション類似度選択のためのDTWとCNN-GRUアーキテクチャを組み合わせたフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-26T23:04:10Z)
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)
Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
論文参考訳（メタデータ） (2025-04-29T14:41:41Z)
How to systematically develop an effective AI-based bias correction model? [15.73933701556121]
本研究では、数値天気予報(NWP)における系統的バイアス補正のための人工知能(AI)フレームワークであるReSA-ConvLSTMを紹介する。本研究では, 動的気候正規化, 時間的因果制約を伴うConvLSTM, 残留自己保持機構を統合することで, 3つのイノベーションを提案する。地球大気データの41年(1981-2021年)を用いて、2m大気温度(T2m)、10m風(UV10)、海面圧力(SLP)の系統的バイアスを低減する。軽量アーキテクチャ(10.6Mパラメータ)は、複数の変数や下流アプリケーションへの効率的な一般化を可能にし、再学習時間を短縮する。
論文参考訳（メタデータ） (2025-04-21T03:02:42Z)
ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution and Transformer Networks [47.60320586459432]
ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。 ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-16T12:12:31Z)
Continual Spatio-Temporal Graph Convolutional Networks [87.86552250152872]
時空間グラフ畳み込みニューラルネットワークを連続推論ネットワークとして再構成する。オンライン推論において、最大109倍の時間複雑性、26倍のハードウェアアクセラレーション、最大割り当てメモリの最大52%の削減を観測した。
論文参考訳（メタデータ） (2022-03-21T14:23:18Z)

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。