論文の概要: Dandelion: A Spherical Flower for Neural Simulation of Planetary Dynamics
- arxiv url: http://arxiv.org/abs/2608.27521v1
- Date: Thu, 27 Aug 2026 12:43:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.097538
- Title: Dandelion: A Spherical Flower for Neural Simulation of Planetary Dynamics
- Title（参考訳）: Dandelion: プラネタリーダイナミクスのニューラルネットワークのための球面フラワー
- Abstract要約: 本稿では,ワープ型ニューラルPDEソルバであるFlowerの球形バージョンであるDandelionを提案する。
ダンポポの層は、接面の変位と大きな円に沿った輸送特性を予測する。
球面-高調波領域に完全に階層的なプーリングを実装することにより,U-Netのような構造が得られる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Many dynamical processes unfold on the sphere but the default scientific machine learning architectures are Euclidean. Applying these architectures on a regular lat-lon grid causes problems: Cartesian convolutions become distorted at high latitude; 2D FFTs in Fourier neural operators incorrectly assume double periodicity; Cartesian positional encodings in ViTs distort spherical geodesic distances. Recent work moves towards natively spherical primitives, including spherical convolutions (e.g., DeepSphere or DISCO), Spherical Fourier Neural Operators (SFNOs), and geodesic attention. Here we propose Dandelion, a spherical version of Flower, a warp-based neural PDE solver. Layers of Dandelion predict a tangent-plane displacement and transport features along great circles. We obtain a U-Net-like structure by implementing hierarchical pooling entirely in the spherical-harmonic domain. There are thus no convolutions: spatial mixing is achieved only through spherical coordinate changes, or warps. To compare Dandelion with existing spherical architectures, we release an evolving benchmark suite of challenging, natively-spherical PDE datasets including a modified Galewsky jet, anomalous chained turbulence, Cahn-Hilliard decomposition, spherical Riemann shocks, Held-Suarez dry atmospheric transport and global ocean dynamics. This new benchmark fills the gap in existing spherical datasets which are either too small and stylized, or much too large (ERA5) for model iteration. Dandelion is best or second-best on every dataset, and the gap to non-warp baselines widens with resolution: at $256\times 512$, Dandelion and Flower2D occupy the top two slots in both single-step prediction and rollout.
- Abstract（参考訳）: 多くの動的プロセスは球面上に展開するが、デフォルトの科学的機械学習アーキテクチャはユークリッドである。
これらのアーキテクチャを通常のラトロン格子に適用すると、高緯度でカルテの畳み込みが歪んだり、フーリエ・ニューラル作用素の2次元FFTが誤って二重周期性を仮定したり、ViTにおけるカルテの配置エンコーディングが球面測地線距離を歪ませたりといった問題が発生する。
最近の研究は、球面畳み込み(例えば、DeepSphere や DISCO)、球面フーリエニューラル演算子(SFNO)、測地学的注意など、ネイティブな球面プリミティブに向かっている。
本稿では、ワープベースのニューラルPDEソルバであるFlowerの球形バージョンであるDandelionを提案する。
ダンポポの層は、接面の変位と大きな円に沿った輸送特性を予測する。
球面-高調波領域に完全に階層的なプーリングを実装することにより,U-Netのような構造が得られる。
空間混合は球面座標変化やワープによってのみ達成される。
そこでDandelionを既存の球状アーキテクチャと比較するため,改良型ガレフスキージェット,異常鎖乱流,ケーン・ヒリアード分解,球状リーマンショック,ヘルド・スアレス乾式大気輸送,大洋力学を含む,困難でネイティブなPDEデータセットのベンチマークスイートを作成した。
この新しいベンチマークは、モデルイテレーションには小さすぎる、スタイリングが難しい、あるいは大きすぎる(ERA5)既存の球面データセットのギャップを埋めるものだ。
DandelionとFlower2Dは、単一ステップの予測とロールアウトの両方で上位2つのスロットを占有する。
関連論文リスト
- Flowers: A Warp Drive for Neural PDE Solvers [47.10397857711356]
マルチヘッドワープから構築されたPDEソリューション演算子を学習するためのニューラルネットワークであるFlowersを紹介する。
花は2Dおよび3D時間依存PDEベンチマーク、特に流れと波動の幅広いスイートで優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-17T15:06:28Z) - CRF360D: Monocular 360 Depth Estimation via Spherical Fully-Connected CRFs [5.854176164327896]
等角射影(ERP)面に固有の歪みがあるため、単眼の360度深度推定は困難である。
本稿では球面完全連結CRF(SF-CRF)を提案する。
SF-CRFは2つの重要なコンポーネントを享受し、まず、十分な球面近傍を含むために、球面ウィンドウ変換(SWT)モジュールを提案する。
このモジュールは、赤道窓の球面関係を他のすべての窓に再現することを目的としており、球面の回転不変性を活用している。
注目すべきは、変換プロセスが非常に効率的で、すべてのウィンドウの変換を512で完了することだ。
論文 参考訳（メタデータ） (2024-05-19T14:29:06Z) - SGFormer: Spherical Geometry Transformer for 360 Depth Estimation [52.23806040289676]
パノラマ歪みは360度深度推定において大きな課題となる。
本稿では,SGFormer という球面形状変換器を提案し,上記の問題に対処する。
また、様々な解像度で空間構造を補うために、クエリベースの大域的条件位置埋め込みを提案する。
論文 参考訳（メタデータ） (2024-04-23T12:36:24Z) - Spherical Frustum Sparse Convolution Network for LiDAR Point Cloud Semantic Segmentation [62.258256483231484]
LiDARポイントクラウドセマンティックセグメンテーションにより、ロボットは周囲の環境のきめ細かいセマンティック情報を得ることができる。
多くの研究が2Dイメージ上にポイントクラウドを投影し、LiDARポイントクラウドセマンティックセグメンテーションのための2D畳み込みニューラルネットワーク(CNN)またはビジョントランスフォーマーを採用する。
本稿では,情報損失の定量化を回避するために,新しい球状フラストラム構造を提案する。
論文 参考訳（メタデータ） (2023-11-29T09:55:13Z) - Spherical Feature Pyramid Networks For Semantic Segmentation [0.0]
球面メッシュ上で信号を表現するグラフベースモデルを開発した。
従来最高の球面CNNよりも3.75IoUポイント向上したmIOUの48.75で最先端の性能を実現した。
論文 参考訳（メタデータ） (2023-07-05T21:19:13Z) - Sphere2Vec: A General-Purpose Location Representation Learning over a
Spherical Surface for Large-Scale Geospatial Predictions [73.60788465154572]
現在の2Dおよび3D位置エンコーダはユークリッド空間における点距離をモデル化するために設計されている。
本研究では,球面上の点座標を符号化する場合に,球面距離を保存できるSphere2Vecというマルチスケール位置エンコーダを提案する。
論文 参考訳（メタデータ） (2023-06-30T12:55:02Z) - Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳（メタデータ） (2022-09-29T15:59:23Z) - Sphere2Vec: Multi-Scale Representation Learning over a Spherical Surface
for Geospatial Predictions [4.754823920235069]
本稿では,Sphere2Vecと呼ばれるマルチスケール位置符号化モデルを提案する。
球面上の点座標を直接符号化し、地図投影歪問題を回避する。
Sphere2Vec符号化が任意の2点間の球面距離を保存することの理論的証明を提供する。
論文 参考訳（メタデータ） (2022-01-25T17:34:29Z) - PDO-e$\text{S}^\text{2}$CNNs: Partial Differential Operator Based
Equivariant Spherical CNNs [77.53203546732664]
我々は偏微分演算子を用いて球等価CNN, PDO-e$textStext2$CNNを設計する。
実験では、pdo-e$textstext2$cnnsはパラメータ効率が高く、いくつかのタスクで他の球面cnnを大きく上回る。
論文 参考訳（メタデータ） (2021-04-08T07:54:50Z) - Cortical surface registration using unsupervised learning [8.57142014602892]
非剛性皮質登録は、ヒト大脳皮質の幾何学的複雑さのために重要かつ困難な課題である。
球面を2次元平面に投影することで生じる歪みにより,近年の学習に基づく表面面の手法は粗悪な結果をもたらす。
SphereMorphは、これらの問題に対処するディープネットワークを用いた皮質表面の微分型登録フレームワークである。
論文 参考訳（メタデータ） (2020-04-09T15:59:13Z)
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。