論文の概要: Review of Machine Learning Models for Solar Energetic Particle Prediction

• arxiv url: http://arxiv.org/abs/2606.19539v1
• Date: Wed, 17 Jun 2026 19:30:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.506312
• Title: Review of Machine Learning Models for Solar Energetic Particle Prediction
• Title（参考訳）: 太陽エネルギー粒子予測のための機械学習モデルの検討
• Authors: Spiridon Kasapis, Pouya Hosseinzadeh, Kathryn Whitman, Ricky Egeland, Manolis Georgoulis, Angelos Vourlidas, Athanasios Papaioannou, Eleni Lavasa, Anastasios Anastasiadis, Giorgos Giannopoulos, Andres Munoz-Jaramillo, Bala Poduval, Irina N. Kitiashvili, Alexander G. Kosovichev, Viacheslav Sadykov, Soukaina Filali Boubrahimi, Tate T. Hutchins, Hameedullah A. Farooki, Manuel E. Cuesta, Leng Y. Khoo, Sungmin Pak, Robert Czarnota, Jamie S. Rankin, Jamey Szalay, Mitchell M. Shen, Georgios Livadiotis, Zigong Xu, David J. McComas, Nikolaos Sarlis, Dionissios Hristopulos, Arik Posner, Alec J. Engell, Mohammed AbuBakr Ali, Ali G. A. Abdelkawy, Abdelrazek M. K. Shaltout, M. M. Beheary, Christina O. Lee, Sigiava Aminalragia-Giamini, Constantinos Papadimitriou, Ingmar Sandberg, Savvas Raptis, Shah Muhammad Hamdi, Monica Laurenza, Mirko Stumpo, Sumanth A. Rotti, India Jackson, Aatiya Ali, Atilim Gunes Baydin, Nathan Schwadron, Subhamoy Chatterjee, Maher A. Dayeh, Gelu M. Nita, Patrick M. O'Keefe, Chun Jie Chong, Paul Kosovich, Russell D. Marroquin, Berkay Aydin, Petrus C. Martens, Lulu Zhao, Yang Chen, Yian Yu, Monica G. Bobra, Ward Manchester, Tamas Gombosi, Ming Zhang, Jesse Torres, Philip K. Chan, Mohamed Nedal, Kamen Kozarev, Peijin Zhang, Kimberly Moreland, Hazel M. Bain, Samuel Hart, Michael J. Starkey, Alan G. Ling, Simone Benella,
• Abstract要約: 太陽エネルギー粒子(SEP)現象は、航空、宇宙船のエレクトロニクス、地球の磁気圏を超えた人間のミッションに対する大きな放射線の危険性のために、注目を集めている。 機械学習(ML)は、SEPイベントを理解し予測するための新しいツールとして登場した。 この原稿の目的は、現在利用可能なSEP予測用のMLモデルをレビューし、トレーニングに使用されるデータセットを特定し、アーキテクチャ、インプット、アウトプットを比較し、これらの洞察に基づいて、将来の研究のための優れたプラクティスとレコメンデーションを概説することである。
• 参考スコア（独自算出の注目度）: 28.052312775333615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar energetic particle (SEP) events have attracted increasing attention due to their significant radiation hazards for aviation, spacecraft electronics, and human missions beyond Earth's magnetosphere. From a scientific perspective, SEP events are intriguing because they arise from a set of physical processes extending from the solar surface and corona through the heliosphere, offering insight into particle acceleration and transport mechanisms that are widely applicable across astrophysics. Therefore, advancing our ability to understand and predict SEP events is essential both for deepening our knowledge of such mechanisms and for safeguarding space technologies and exploration. Traditionally, researchers have modeled SEPs using physics-based simulations and empirical methods. More recently, machine learning (ML) has emerged as a new tool for understanding and predicting SEP events. The purpose of this manuscript is to review the currently available ML models for SEP prediction, identify the datasets used for training, compare their architectures, inputs, and outputs, and, based on these insights, outline good practices and recommendations for future research.
• Abstract（参考訳）: 太陽エネルギー粒子(SEP)現象は、航空、宇宙船のエレクトロニクス、地球の磁気圏を超えた人間のミッションに対する大きな放射線の危険性のために、注目を集めている。 科学的な見地からすると、SEPイベントは、太陽表面と太陽圏を抜けるコロナの物理過程の集合から発生し、天体物理学で広く適用可能な粒子加速と輸送機構の洞察を与えるため、興味をそそられる。 したがって、SEPイベントの理解・予測能力の向上は、そのようなメカニズムの知識を深め、宇宙技術や探査の保護に不可欠である。 伝統的に、物理学に基づくシミュレーションと経験的手法を用いてSEPをモデル化してきた。 最近では、SEPイベントの理解と予測のための新しいツールとして機械学習(ML)が登場している。 この原稿の目的は、現在利用可能なSEP予測用のMLモデルをレビューし、トレーニングに使用されるデータセットを特定し、アーキテクチャ、インプット、アウトプットを比較し、これらの洞察に基づいて、将来の研究のための優れたプラクティスとレコメンデーションを概説することである。

関連論文リスト

• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• Enhancing Explainability in Solar Energetic Particle Event Prediction: A Global Feature Mapping Approach [0.0]
  太陽エネルギー粒子(SEP)イベントは、コロナ質量放出(CME)以外の太陽フレアや衝撃波によって加速されたときに有害な放射を発生させることができる SEP予測に使われている既存のデータ駆動手法はブラックボックスモデルとして運用されている。 モデル透明性を高めるために,グローバルな説明とアドホックな特徴マッピングを統合した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T16:47:36Z)
• PRESOL: a web-based computational setting for feature-based flare forecasting [1.759008116536278]
  太陽フレアは太陽系で最も爆発的な現象であり、事象の連鎖の引き金となっている。 データ駆動型太陽フレア予測は、ディープラーニングアプローチか機械学習アルゴリズムのいずれかに依存している。 本稿では,特徴に基づく機械学習手法の計算パイプライン実行のためのWebベースの技術プラットフォームについて述べる。
  論文  参考訳（メタデータ） (2025-10-02T08:40:10Z)
• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Conceptual framework for the application of deep neural networks to surface composition reconstruction from Mercury's exospheric data [77.40388962445168]
  本研究では、ディープニューラルネットワーク(DNN)を用いた中性外気圏のその場測定から水銀のレゴリス元素組成の導出の可能性について検討する。 本稿では,下記表層リゴリスの化学成分を予測した制御フィードフォワードDNNアーキテクチャを提案する。 表面と外圏の相互作用や、外圏の形成に至る過程を推定する指標として機能する。
  論文  参考訳（メタデータ） (2025-05-16T09:52:45Z)
• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。 データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)
• Artificial intelligence to advance Earth observation: : A review of models, recent trends, and pathways forward [60.43248801101935]
  本稿では、生のEOデータから使用可能なEOベースの情報への移行を通知し、支援する、重要な科学的ツールとアプローチについて、鳥の視点で説明する。 i)コンピュータビジョン, (ii) 機械学習, (iii) 高度な処理とコンピューティング, (iv) 知識ベースAI, (v) 説明可能なAIと因果推論, (vi) 物理認識モデル, (vii) ユーザ中心のアプローチ, (viii) EOにおけるML技術の大量使用に関する倫理的・社会的問題に関する議論の議論を網羅する。
  論文  参考訳（メタデータ） (2023-05-15T07:47:24Z)
• Toward a Next Generation Particle Precipitation Model: Mesoscale Prediction Through Machine Learning (a Case Study and Framework for Progress) [0.9158190669770423]
  我々は、新しい、より有能な粒子沈殿データのデータベースを作成、キュレート、分析し、利用可能にした。 PrecipNetと呼ばれるニューラルネットワークは、MLアプローチによって得られる表現力の増大を活用する。
  論文  参考訳（メタデータ） (2020-11-19T21:54:36Z)

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。