論文の概要: Unfolding the Interdisciplinary Complexities of Climate Science: Fuxi-Climate Foundational Model
- arxiv url: http://arxiv.org/abs/2608.22242v1
- Date: Sun, 23 Aug 2026 06:43:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.954089
- Title: Unfolding the Interdisciplinary Complexities of Climate Science: Fuxi-Climate Foundational Model
- Title（参考訳）: 気候科学の学際的複雑さの展開--フキシ・クライメート基礎モデル
- Abstract要約: Fuxi-Climate Foundation Model (CFM) はドメイン間の一貫した推論をサポートするように設計されている。
専門家が設計した気候遷移タスクにおいて、CFMはトレードオフと不確実性に明示的に対処するより構造化された分析を生成する。
これらの結果は,CFMが気候リスクや遷移経路のより現実的な分析を支援することを示唆している。
- 参考スコア（独自算出の注目度）: 17.32455386909819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate research and decision-making require integrating evidence across physical processes, socio-economic dynamics and policy responses. Large language models (LLMs) have been explored for accessing and synthesizing climate knowledge, but their ability to support structured interdisciplinary reasoning is still limited. Here we present the Fuxi-Climate Foundation Model (CFM), a climate-specialized LLM designed to support consistent reasoning across domains. CFM maintains more stable analytical behavior as interdisciplinary complexity increases, whereas performance in other models becomes more variable. On expert-designed climate transition tasks, CFM produces more structured analyses that explicitly address trade-offs and uncertainty, achieving 45% trade-off coverage and 47.27% uncertainty-aware reasoning. These results indicate that CFM can support more realistic analysis of climate risks and transition pathways, and provide a basis for agent-based systems to explore complex policy and decision scenarios. The model is openly available at https://huggingface.co/SII-yuning/cfm.
- Abstract（参考訳）: 気候研究と意思決定は、物理的プロセス、社会経済力学、政策反応にまたがるエビデンスを統合する必要がある。
大規模言語モデル(LLM)は気候知識へのアクセスと合成のために研究されてきたが、構造化された学際推論をサポートする能力はまだ限られている。
本稿では,気候に特化したLLMであるフキシ・クライメート基礎モデル(CFM)について述べる。
CFMは、学際的複雑性が増大するにつれて、より安定した解析的挙動を維持する一方、他のモデルの性能はより変動する。
専門家が設計した気候遷移タスクでは、CFMは、トレードオフと不確実性に明示的に対処し、45%のトレードオフカバレッジと47.27%の不確実性を考慮した推論を達成する、より構造化された分析を生成する。
これらの結果は,CFMが気候リスクや遷移経路のより現実的な分析を支援し,複雑な政策や意思決定シナリオを探索するためのエージェントベースシステムの基礎となることを示唆している。
モデルはhttps://huggingface.co/SII-yuning/cfm.comで公開されている。
関連論文リスト
- Deep Clustering for Climate: Analyzing Teleconnections through Learned Categorical States [0.0]
Masked Siamese Networksは、気候の時系列を意味的に豊かなクラスタに識別するために使用される。
本研究は,気候データ分析ツールとしての自己監督型離散化の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2026-04-24T17:12:15Z) - ClimAgent: LLM as Agents for Autonomous Open-ended Climate Science Analysis [15.602458015516042]
ClimAgentは、多様な気候サブフィールドにまたがる幅広い研究課題を実行するために設計されたフレームワークである。
統一ツール利用環境と厳密な推論プロトコルを統合することで、ClimAgentは単純な検索を超越してエンドツーエンドのモデリングと分析を行う。
ClimAgent は最先端のベースラインを著しく上回り、ソリューションの厳密さと実用性において、元の LLM ソリューションよりも 40.21% 改善されている。
論文 参考訳（メタデータ） (2026-04-18T09:10:21Z) - GCA Framework: A GCC Countries-Grounded Dataset and Agentic Pipeline for Climate Decision Support [67.9633930125889]
本稿では,(i) GCA-DS,(ii) GCC州に根ざしたキュレートされたマルチモーダルデータセット,および(ii) 気候分析用ツール強化剤であるガルフ気候エージェント(GCA)を統合したGCAフレームワークを提案する。
GCA-DSは、政府の政策と適応計画、NGOと国際フレームワーク、学術、文学、および熱波、塵嵐、洪水に関するイベント駆動レポートにまたがる200万の質問対からなる。
GCAエージェントは、リアルタイムおよび歴史的信号と地理空間処理を基盤としたモジュラーツールパイプラインを編成し、派生したインデックスと解釈可能な視覚化を生成する。
論文 参考訳（メタデータ） (2026-04-14T05:31:40Z) - A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
論文 参考訳（メタデータ） (2025-08-28T18:30:52Z) - Multi-Agent Reinforcement Learning Simulation for Environmental Policy Synthesis [5.738989367102034]
気候政策の開発は、深い不確実性、複雑なシステムのダイナミクス、および競合する利害関係者による重大な課題に直面している。
本稿では,これらの制約に対処するため,MARL(Multi-Agent Reinforcement Learning)を用いた気候シミュレーションのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-17T09:18:04Z) - Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。
ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。
汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
論文 参考訳（メタデータ） (2025-03-13T01:50:50Z) - Transferability and explainability of deep learning emulators for
regional climate model projections: Perspectives for future applications [0.4821250031784094]
地域気候モデル (RCM) は、地域気候の変動と変化をシミュレートし、研究するための重要なツールである。
ディープラーニングモデルは、モデルをトレーニングするために短いRCMシミュレーションのみを必要とするコスト効率が高く、有望な代替手段として導入されている。
本稿では,文献(PPとMOS)における2つの異なるエミュレーション手法について考察する。
いずれの手法も、異なる期間とシナリオ(ソフトトランスファービリティ)でRCMの気候特性をエミュレートできるが、エミュレーション関数の一貫性はアプローチによって異なる。
論文 参考訳（メタデータ） (2023-11-01T00:44:39Z) - AI For Global Climate Cooperation 2023 Competition Proceedings [77.07135605362795]
国際機関が国際気候協定の遵守を保証できない。
RICE-NはAIエージェントを使用した地域意思決定のモデリングをサポートする。
IAMは、これらの決定の気候・経済的な影響を未来にモデル化する。
論文 参考訳（メタデータ） (2023-07-10T20:05:42Z) - AI for Global Climate Cooperation: Modeling Global Climate Negotiations,
Agreements, and Long-Term Cooperation in RICE-N [75.67460895629348]
n個の戦略エージェントによる気候変動緩和に関する長期的な協力は、複雑なゲーム理論の問題を引き起こす。
地球温暖化と経済をシミュレートするマルチリージョン統合アセスメントモデルであるRICE-Nを紹介する。
本稿では,多エージェント強化学習を用いて理性エージェントをRICE-Nで訓練する方法について述べる。
論文 参考訳（メタデータ） (2022-08-15T04:38:06Z) - Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。
これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。
本稿では,本稿で開発したツールと方法論について紹介する。
論文 参考訳（メタデータ） (2020-11-03T21:22:42Z) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳（メタデータ） (2020-10-20T15:31:38Z) - HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。
コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。
私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
論文 参考訳（メタデータ） (2020-10-08T15:16:16Z)
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。