論文の概要: FESOM2-JAX v1.0: a differentiable shadow of the ocean-sea-ice model FESOM2, cast onto GPUs
- arxiv url: http://arxiv.org/abs/2608.01546v1
- Date: Sun, 02 Aug 2026 23:59:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.280098
- Title: FESOM2-JAX v1.0: a differentiable shadow of the ocean-sea-ice model FESOM2, cast onto GPUs
- Title（参考訳）: FESOM2-JAX v1.0: 海氷モデルFESOM2のGPU上への異種影
- Abstract要約: JAXでFinite-volumE Sea ice-Ocean Model (FESOM2) を再実装した FESOM2-JAX について述べる。
FESOM2-JAXはFortranモデルのコードシャドウであり、大きな言語モデルとカーネルによる検証されたカーネルで翻訳された。
新しい数値やパラメータ化から勾配に基づくキャリブレーションや機械学習コンポーネントに至るまで、実験の障壁を低くするために構築されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present FESOM2-JAX, a Python re-implementation of the Finite-volumE Sea ice-Ocean Model (FESOM2) in JAX. The model retains the unstructured-mesh, cell-vertex finite-volume formulation of the original, runs unchanged from a laptop CPU to 256 GPUs, and is end-to-end differentiable. FESOM2-JAX is a code shadow of the Fortran model: a projection onto the Python ecosystem, translated with large language models and verified kernel by kernel against the original. It is built to lower the barrier to experimentation, from new numerics and parameterizations to gradient-based calibration and hybrid physics-machine-learning components, while remaining close enough to the original so that what is developed in the shadow can be transferred back. In a 1958-2019 hindcast at 1$^{\circ}$ equivalent resolution with identical physics and forcing, the mean states of the JAX and Fortran versions differ from each other by two orders of magnitude less than either differs from observations, and the two runs agree for six decades in global temperature, salinity, heat content, and sea ice. The complete 1$^{\circ}$ configuration fits on a single GPU, a node of four GH200 superchips integrates $\sim$113 simulated years per wall-clock day, and meshes of up to 7.4 million surface vertices ($\sim$5 km) scale to 128 GPUs. What limits the model is communication rather than arithmetic. What the shadow adds to the original is the gradient: a single reverse-mode pass through the full time loop returns the sensitivity of a model diagnostic to a parameter at every mesh vertex, verified against finite differences. To our knowledge, FESOM2-JAX is the first global ocean-sea-ice model of CMIP-class complexity written natively in a differentiable framework, and the first on an unstructured mesh.
- Abstract（参考訳）: JAXでFinite-volumE Sea ice-Ocean Model (FESOM2) を再実装した FESOM2-JAX について述べる。
モデルは、オリジナルのセルバーテックスの有限体積定式化を維持し、ラップトップCPUから256GPUに変化せず、エンドツーエンドで微分可能である。
FESOM2-JAX は Fortran モデルのコードシャドウであり、Python エコシステムへのプロジェクションであり、大きな言語モデルとカーネルによる検証されたカーネルで翻訳される。
新しい数値やパラメータ化から勾配に基づくキャリブレーションやハイブリッド物理機械学習コンポーネントに至るまで、実験の障壁を低く抑えるために構築され、影の中で開発されたものを戻せるようにオリジナルのものに十分近いままである。
1958-2019年の1$^{\circ}$同等の分解能で同じ物理学と強制力で、JAX と Fortran のバージョンの平均状態は、観測値よりも桁違いに小さい2つの順序で異なり、両者は、地球温度、塩分濃度、熱含量、海氷において60年にわたって一致している。
完全な1$^{\circ}$構成は、単一のGPUに適合し、4つのGH200スーパーチップのノードは、壁面の1日あたりのシミュレーション年金$\sim$113と、最大740万表面頂点(\sim$5 km)のメッシュを128GPUに統合する。
モデルに制限があるのは、算術ではなく通信です。
1つの逆モードがフルタイムループを通過すると、モデル診断の感度が各メッシュ頂点のパラメータに返され、有限差に対して検証される。
我々の知る限り、FESOM2-JAXはCMIPクラスの複雑性のグローバルシースモデルとして初めて、差別化可能なフレームワークでネイティブに記述され、非構造化メッシュ上で最初のものです。
関連論文リスト
- KaiNinja: Extending Native 3D Generators to the Part Level [48.750051829930705]
カイニンジャ (KaiNinja) は、O-ボクセル表現の二重体積形式上に構築されたTRELLIS.2の部分レベル拡張である。
TRELLIS.2の生成速度と品質を維持しながら、それを部分レベルまで拡張し、パイプラインにマスクやセグメンタは搭載しない。
論文 参考訳（メタデータ） (2026-09-14T14:40:52Z) - TorchMorph: CUDA-accelerated Morphological Transforms [4.910415354181461]
PyTorch上に構築されたGPUビジョンライブラリは、演算子の狭いサブセットをカバーする。
TorchMorphは、二項形態学、グレースケール形態学、および正確な近似距離変換をカバーする作用素を公開する。
バッチ実行は、グレースケール形態上のscipy.ndimageのスループットの最大1.1e3倍に達する。
論文 参考訳（メタデータ） (2026-08-25T15:46:45Z) - Physics-Grounded Fluid Video Generation with a Simulation Dataset and Dual-Stream Optical-Flow Supervision [78.04385989413382]
ビデオ拡散モデルは視覚的に魅力的な内容を生成するが、流体にまつわる基礎物理学に規則的に違反する。
我々は1,638MPMを模擬した注水/スロッシングビデオと2,320のキーワードフィルターによる実注水ビデオを組み合わせた物理シミュレーション流体データセットを構築した。
予め訓練された拡散フィルタビデオジェネレータ上に構築されたデュアルストリーム映像合成アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-07-28T06:13:18Z) - DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。
ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。
また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
論文 参考訳（メタデータ） (2026-07-19T06:54:52Z) - An Ocean Model Ported by a Large Language Model: Experience and Lessons from FESOM2 (Fortran to C to C++/Kokkos) [0.0]
大規模言語モデル(LLM)はソースコードの翻訳と修正が可能であり、複雑さの異なるコードに対してそうすることが示されている。
LLMによるコード翻訳は, 完全生産海洋モデルの物理を保ちながら, 近代的な性能対応型に変換可能であることを実証する。
論文 参考訳（メタデータ） (2026-06-09T18:32:42Z) - Samudra 2: Scaling Ocean Emulators across Resolutions [38.716997864890736]
海洋一般循環モデル(OGCM)は気候科学には不可欠であるが、計算コストがかかり、アンサンブルのサイズや強制シナリオが制限される。
改良されたConvNeXtスタイルのブロックとブロック内展開係数を低減したU-Netバックボーンを導入したSamudra 2を提案する。
1円あたりのサムードラ2は、平均気温が0.56ドルから0.87ドルに上昇し、深海温度の誤差を約7倍に減らす。
論文 参考訳（メタデータ） (2026-05-24T20:17:51Z) - Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。
ネットワークは低ランクの遠距離因子を通して逆をモデル化する。
高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
論文 参考訳（メタデータ） (2026-05-13T11:02:27Z) - The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。
これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
論文 参考訳（メタデータ） (2026-05-09T22:27:31Z) - Tethered Reasoning: Decoupling Entropy from Hallucination in Quantized LLMs via Manifold Steering [0.0]
量子化言語モデルは基本的なジレンマに直面し、低いサンプリング温度は繰り返しモード崩壊した出力を発生させ、一方高温(T > 2.0)は軌道分岐と意味的不整合を引き起こす。
隠れ状態軌跡を事前に計算した真性多様体にテザリングすることで、幻覚から出力エントロピーを分離するフレームワークであるHELIXを提案する。
論文 参考訳（メタデータ） (2026-02-06T06:24:37Z) - scipy.spatial.transform: Differentiable Framework-Agnostic 3D Transformations in Python [49.015684860172975]
三次元剛体変換、すなわち回転と変換は、現代の微分可能な機械学習パイプラインの中心である。
SciPyのspace$.$diffモジュールは、厳格にテストされたPython実装である。
我々はSciPyの空間$.$transform機能を完全にオーバーホールし、Python配列APIを実装する任意の配列ライブラリと互換性を持たせる。
論文 参考訳（メタデータ） (2025-11-22T18:52:34Z) - 3D generation on ImageNet [76.0440752186121]
3DGP: トレーニングデータに関するより一般的な仮定を持つ3D合成フレームワークを開発した。
私たちのモデルは3つの新しいアイデアに基づいている。
SDIP Dogs 256x256, SDIP Elephants 256x256, LSUN Horses 256x256, ImageNet 256x256の4つのデータセットについて検討を行った。
論文 参考訳（メタデータ） (2023-03-02T17:06:57Z) - Self-Supervised Learning based on Heat Equation [75.61974935666446]
本稿では,熱方程式を高次元特徴空間に拡張した自己教師型学習の新たな視点を提案する。
我々は x と y の軸を 2 つの一階線型微分方程式として分割することで単純化する。
これにより、QB-Heatと呼ばれる非常に単純なマスク付き画像モデリング(MIM)手法が導入された。
論文 参考訳（メタデータ） (2022-11-23T18:59:59Z)
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。