Fugu-MT 論文翻訳(概要): Climate Physics Dynamic Matching

論文の概要: Climate Physics Dynamic Matching

arxiv url: http://arxiv.org/abs/2608.26907v1
Date: Thu, 27 Aug 2026 10:07:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.07372
Title: Climate Physics Dynamic Matching
Title（参考訳）: 気候物理のダイナミックマッチング
Abstract要約: ClimPhyDM(ClimPhyDM)は,気象予報のための変動シミュレーションのない動的情報伝達フレームワークである。時間毎(42時間)と月毎(5ヶ月)のERA5ベンチマークでは、ClimPhyDMがClimODEやGB-DMより優れており、エラーの少ない水平線を保っている。
参考スコア（独自算出の注目度）: 46.03496190842378
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep generative models such as flow matching and diffusion models have shown potential for learning complex dynamical systems, but typically act as black boxes that neglect underlying physical structure, while physics-based models governed by partial differential equations are often incomplete due to missing source terms, or uncertain parametrisations. We present Climate Physics Dynamic Matching (ClimPhyDM), a variational simulation-free dynamics informed framework for weather forecasting that combines an advection-type physics prior with data-driven components in a variational framework. % to capture the stochasticity and multi-modality of unresolved atmospheric dynamics. On the ERA5 benchmark at hourly (42-hour) and monthly (5-month) resolutions, ClimPhyDM outperforms ClimODE, and GB-DM, keeping the lower error at extended horizon, indicating improved temporal stability and resistance to error accumulation, while its simulation-free paradigm also enables training on a single modest 12 GB consumer GPU.
Abstract（参考訳）: フローマッチングや拡散モデルのような深い生成モデルは複雑な力学系を学習する可能性を示しているが、典型的には物理構造を無視するブラックボックスとして機能する。 ClimPhyDM(ClimPhyDM)は、気象予報のための変動シミュレーションのない動的情報伝達フレームワークである。 %であり, 未解決大気力学の確率性と多モード性を示した。時間(42時間)と月(5ヶ月)のERA5ベンチマークでは、ClimPhyDMがClimODEとGB-DMを上回り、低いエラーを拡張水平線で維持し、時間的安定性の改善とエラーの蓄積に対する耐性を示している。

関連論文リスト

A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。 CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
論文参考訳（メタデータ） (2026-06-27T06:13:35Z)
Variational Grey-Box Dynamics Matching [45.595103078998385]
非完全物理モデルを直接生成モデルに統合する新しいグレイボックス法を提案する。提案手法は,物理パラメータを使わずに,観測軌道のみから力学を学習する。代表的ODE/PDE問題に対する実験により,本手法が完全データ駆動手法に匹敵する性能を示した。
論文参考訳（メタデータ） (2026-02-19T15:43:22Z)
Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文参考訳（メタデータ） (2026-02-02T14:13:28Z)
Differentiable Physics-Neural Models enable Learning of Non-Markovian Closures for Accelerated Coarse-Grained Physics Simulations [0.11874952582465602]
本研究は3次元シミュレーションよりも高速に複雑な領域のスカラー輸送を予測するハイブリッド物理-神経モデルを提案する。全体として、この微分可能な物理-神経の枠組みは、物理現象の高速で、正確で、一般化可能な粗粒状サロゲートを可能にすることが示されている。
論文参考訳（メタデータ） (2025-11-26T13:13:30Z)
A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
対流に対する物理インフォームRBCサロゲートモデルを提案する。我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
論文参考訳（メタデータ） (2025-05-16T06:47:00Z)
Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文参考訳（メタデータ） (2024-10-28T15:54:50Z)
Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
論文参考訳（メタデータ） (2024-10-15T19:05:28Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
Challenges of learning multi-scale dynamics with AI weather models: Implications for stability and one solution [0.0]
現在のAIベースの天気モデルでは、数週間または数ヶ月以上経つと、短期的な天気予報を正確に行うことができる。不安定性の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。我々は、気候システムのための長期的物理的に一貫性のあるデータ駆動モデルを開発し、正確な短期予測を実証する。
論文参考訳（メタデータ） (2023-04-14T09:49:11Z)
Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。