論文の概要: Toward Mechanistic Interpretability of an AI Foundation Model Fine-Tuned for Atmospheric Chemistry

• arxiv url: http://arxiv.org/abs/2607.20778v1
• Date: Wed, 22 Jul 2026 23:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.231268
• Title: Toward Mechanistic Interpretability of an AI Foundation Model Fine-Tuned for Atmospheric Chemistry
• Title（参考訳）: 大気化学用AIファンデーションモデルの機械論的解釈可能性に向けて
• Abstract要約: 天気予報基礎モデル(FM)は、大気の質を予測するために微調整されている。 大気化学のために微調整されたFMが、Microsoftのオーロラモデルを調べることで何を学んだかについて、最初の研究結果を示す。 オーロラは反応窒素に対する1次オゾン反応を捕捉するが、プロセスベースモデルが符号化する化学的な制約を強制しない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weather forecasting foundation models (FMs) are increasingly fine-tuned to predict air quality, offering fast global pollution forecasts at lower computational cost than conventional chemical transport models. These FMs are typically trained on reanalysis data and generate forecasts through autoregressive rollout. They do not explicitly represent governing physical or chemical processes. Therefore, high forecast skill does not reveal whether a model has learned physical mechanisms or exploits statistical regularities in its training data. Here, we present the first study of what a FM fine-tuned for atmospheric chemistry has learned by examining Microsoft's Aurora model. We impose controlled chemical perturbations on its forecasts and test them against known photochemical relationships. We then examine the internal representations that generate these forecasts. We find that Aurora captures a first-order ozone response to reactive nitrogen but does not enforce the chemical constraints that a process-based model encodes. It generates chemically inconsistent combinations of related species and relaxes localized emission features such as wildfire plumes toward background. Internally, its representations remain largely organized around the meteorology inherited during pretraining, with little structure specific to chemistry. Using sparse autoencoders, we identify internal components that causally control the chemical forecast but do not map cleanly onto individual atmospheric processes. This work provides a framework for testing whether AI forecasting systems learn atmospheric chemistry from reanalysis data. As these models are increasingly positioned to inform environmental policy decisions, we argue that composition forecasts should also be judged by their internal mechanisms rather than by benchmark skill alone.
• Abstract（参考訳）: 天気予報基礎モデル(FM)は、大気の質を予測するために微調整され、従来の化学輸送モデルよりも計算コストの低い高速な地球規模の大気汚染予測を提供する。 これらのFMは、通常、再分析データに基づいて訓練され、自動回帰ロールアウトによって予測を生成する。 物理的または化学的な過程を明示的に表すものではない。 したがって,モデルが物理的メカニズムを学習したのか,あるいはトレーニングデータに統計的規則性を利用したのかは,高い予測スキルでは明らかでない。 ここでは、大気化学のために微調整されたFMが、Microsoftのオーロラモデルで何を学んだかを示す。 我々は、その予測に制御された化学摂動を課し、既知の光化学関係に対してそれらをテストする。 次に、これらの予測を生成する内部表現について検討する。 オーロラは反応窒素に対する1次オゾン反応を捕捉するが、プロセスベースモデルが符号化する化学的な制約を強制しない。 関連種の化学的に矛盾しない組み合わせを発生させ、山火事などの局所的な放出特性を背景に緩和する。 内部的には、その表象は前訓練中に受け継がれた気象学を中心にほとんど組織化されておらず、化学に特有の構造はほとんど残っていない。 スパースオートエンコーダを用いて、化学予測を因果的に制御するが、個々の大気プロセスにきれいにマッピングしない内部成分を同定する。 この研究は、AI予測システムが分析データから大気化学を学ぶかどうかをテストするためのフレームワークを提供する。 これらのモデルが環境政策決定に影響を及ぼす位置にあるため、我々は、構成予測は、ベンチマークスキルのみによってではなく、内部メカニズムによっても判断されるべきである、と論じている。

関連論文リスト

• Chem World: A Large-Scale Benchmark and Physics-Informed Framework for Trustworthy Chemical Property Prediction [8.367237766104159]
  化学特性予測のための総合的なベンチマークであるChem Worldを紹介する。 Chem Worldは17種類の化学データセットと800,000以上の分子サンプルを統合している。 また、物理インフォームドニューラルネットワークに基づく予測フレームワークであるMixture-PINNを提案する。
  論文  参考訳（メタデータ） (2026-07-30T11:50:52Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• A Modular LLM-Agent System for Transparent Multi-Parameter Weather Interpretation [3.0354231393746685]
  本稿では,AI-Meteorologistについて紹介する。AI-Meteorologistは,生の数値予測を科学的に基礎づけた物語レポートに変換する,説明可能なLCMエージェントフレームワークである。 本研究は,高密度表や非構造時系列として提示される従来の予測出力とは異なり,複数の気象変数にまたがるエージェントベース解析を行う。 我々は、AI-気象学者が気象イベントだけでなく、その下にある大気中のドライバーをいかに伝えるかを示す。
  論文  参考訳（メタデータ） (2025-11-28T22:24:40Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• A HEART for the environment: Transformer-Based Spatiotemporal Modeling for Air Quality Prediction [0.0]
  ルル環境は高度でスケーラブルな大気汚染予測システムである。 エンコーダとデコーダの畳み込みニューラルネットワークを含み、4つの主要な汚染物質の平均汚染レベルを予測する。 本稿では,予測精度を向上させるための注意機構を備えたニューラルネットワークの強化について検討する。
  論文  参考訳（メタデータ） (2025-02-26T10:54:27Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
  化学実験の結果を予測するための条件付きガウス過程モデルを提案する。 我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。 本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-16T11:18:32Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。