論文の概要: AeroMELD: A Linear Embedding of Aerosol Populations for Diagnostics and Latent Dynamics

• arxiv url: http://arxiv.org/abs/2607.11073v1
• Date: Mon, 13 Jul 2026 04:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.328076
• Title: AeroMELD: A Linear Embedding of Aerosol Populations for Diagnostics and Latent Dynamics
• Title（参考訳）: AeroMELD: 診断と潜時ダイナミクスのためのエアロゾル人口の線形埋め込み
• Abstract要約: 低次元潜伏変数を構築するためのフレームワークであるAeroMELD(Aerosol Measure Embedding for Latent Dynamics)を紹介する。 我々は,任意の置換不変線形エンコーダが,粒子間埋め込みのバリ中心結合によって与えられる全数濃度と潜在形状を表わして,スケール-形状分解を行う必要があることを示す。 この研究は、ラテント空間でエアロゾルプロセスの進化を直接学習するための基盤を確立する。
• 参考スコア（独自算出の注目度）: 5.534256344580116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately representing atmospheric aerosol populations is essential for simulating aerosol-cloud interactions, radiative forcing, and ice nucleation, yet existing reduced schemes impose structural assumptions that limit their ability to capture composition diversity and mixing state. Machine-learning approaches offer more flexible representations, but standard autoencoders do not preserve the mathematical structure of aerosol populations and therefore cannot support physically meaningful process operators. We introduce AeroMELD (Aerosol Measure Embedding for Latent Dynamics), a mathematically grounded framework for constructing low-dimensional latent variables that retain this structure. We show that any permutation-invariant linear encoder must take a scale-shape decomposition, with total number concentration represented explicitly and latent shape given by a barycentric combination of per-particle embeddings. This aggregated latent state retains the diagnostic expressiveness of a Deep Sets model by moving the nonlinear post-aggregation stage into the learned diagnostic map while preserving latent linearity. Using particle-resolved data as ground truth, we encode weighted particle populations directly rather than binned aerosol states; size-resolved mass and number distributions serve only as diagnostic targets and visual summaries. The latent space accurately reconstructs these distributions, CCN spectra, optical coefficients, and immersion-freezing behavior while preserving the linear population structure needed for hybrid ML-physics models. Although the experiments focus on diagnostic reconstruction, the embedding is designed so that emissions and mixing can be represented exactly and nonlinear microphysical processes learned in a controlled latent space. This work establishes a foundation for learning aerosol-process evolution directly in latent space.
• Abstract（参考訳）: 大気エアロゾル人口の正確な表現は、エアロゾルと雲の相互作用、放射力、氷核形成をシミュレートするために不可欠であるが、既存の縮小されたスキームは、組成の多様性と混合状態を捉える能力を制限する構造的仮定を課している。 機械学習アプローチはより柔軟な表現を提供するが、標準的なオートエンコーダはエアロゾル人口の数学的構造を保持しておらず、したがって物理的に意味のあるプロセス演算子をサポートできない。 本稿では,AeroMELD (Aerosol Measure Embedding for Latent Dynamics)を紹介した。 我々は,任意の置換不変線形エンコーダが,粒子間埋め込みのバリ中心結合によって与えられる全数濃度と潜在形状を表わして,スケール-形状分解を行う必要があることを示す。 この集約潜在状態は、遅延線形性を保持しつつ、非線形後処理段階を学習された診断マップに移動させることにより、Deep Setsモデルの診断表現性を維持する。 粒子分解データを地中真実として用いて, 粒子集団の重み付けを粒子エアロゾル状態ではなく直接エンコードする。 潜在空間はこれらの分布、CCNスペクトル、光学係数、浸漬凍結挙動を正確に再構成し、ハイブリッドML物理モデルに必要な線形集団構造を保存する。 これらの実験は診断的再構成に重点を置いているが、この埋め込みは、放出と混合を正確に表現できるように設計されており、制御された潜伏空間で学習された非線形マイクロ物理過程である。 この研究は、ラテント空間でエアロゾルプロセスの進化を直接学習するための基盤を確立する。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• Generative Modeling of Aerosol State Representations [5.772617906251992]
  エアロゾル-雲-放射相互作用は、地球の気候システムで最も不確実な構成要素である。 本稿では,特定質量および数濃度分布の深部変分オートエンコーダモデルを学習するためのフレームワークを提案する。 数百の原次元を10の潜伏変数に圧縮することにより、効率的なストレージと処理が可能になる。
  論文  参考訳（メタデータ） (2025-10-11T22:38:30Z)
• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Enhanced sampling of robust molecular datasets with uncertainty-based collective variables [0.0]
  化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。 このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
  論文  参考訳（メタデータ） (2024-02-06T06:42:51Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Generative structured normalizing flow Gaussian processes applied to spectroscopic data [4.0773490083614075]
  物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。 特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。 火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
  論文  参考訳（メタデータ） (2022-12-14T23:57:46Z)

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。