論文の概要: Earth System World Model for What-If Simulations: A Case Study for Terrestrial Ecosystems

• arxiv url: http://arxiv.org/abs/2609.08855v1
• Date: Tue, 08 Sep 2026 15:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.682207
• Title: Earth System World Model for What-If Simulations: A Case Study for Terrestrial Ecosystems
• Title（参考訳）: 地球系シミュレーションのための地球系世界モデル:地球生態系を事例として
• Authors: Zhihao Wang, Ruichen Wang, Ruohan Li, Lei Ma, George Hurtt, Xiaowei Jia, Gengchen Mai, Shaowen Wang, Yiqun Xie,
• Abstract要約: 本研究では,地球系エミュレーションのための行動条件付き世界モデリングフレームワークを提案する。 自然に観察された状態変化は、ラベルなしのアクション監視として扱われる。 我々は、このフレームワークを6つのグローバルリージョンと複数のスタンドタイムにわたるエコシステムダイナミクスでテストする。
• 参考スコア（独自算出の注目度）: 27.396180480178216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning emulators have become essential for accelerating expensive Earth-system simulations, but most existing approaches remain passive forecasters: they reproduce simulator trajectories under prescribed forcings without an explicit interaction mechanism for user-specified interventions. This limits their use in interactive scientific workflows and Earth-system digital twins, where users often need to explore how a system would respond if selected state components were changed. We propose an action-conditioned world-modeling framework for Earth-system emulation that reformulates simulator trajectories as supervision for controllable state-transition learning. The key idea is transition-action pretraining: naturally observed state changes are treated as label-free action supervision, allowing the model to learn both prescribed dynamics and action-conditioned responses without manually annotated interventions. We further introduce masked response learning to infer unobserved variables under partial state edits and learn coupled system dependencies. We test this framework on ecosystem dynamics across six global regions and multiple stand ages. Experiments show that the model preserves competitive long-horizon emulation accuracy while enabling controllable structural interventions and coherent responses in coupled ecosystem-cycle variables. These results suggest a practical route from passive Earth-system emulators toward interactive, intervention-aware scientific surrogates.
• Abstract（参考訳）: 機械学習エミュレータは、高価な地球系シミュレーションを加速するために欠かせないものとなっているが、既存のほとんどのアプローチは受動的予測器のままである。 これにより、インタラクティブな科学ワークフローや地球系デジタルツインの使用が制限される。 本研究では、制御可能な状態遷移学習の監督としてシミュレータの軌跡を再構成する、地球系エミュレーションのための行動条件付き世界モデリングフレームワークを提案する。 自然に観察された状態変化は、ラベルなしのアクション監視として扱われ、手動で注釈を付けることなく、所定のダイナミクスとアクション条件の応答の両方を学ぶことができる。 さらに、部分的な状態編集の下で観測されていない変数を推測し、結合したシステム依存を学習するために、マスク付き応答学習を導入する。 我々は、このフレームワークを6つのグローバルリージョンと複数のスタンドタイムにわたるエコシステムダイナミクスでテストする。 実験により,本モデルは生態系循環変数の制御可能な構造介入とコヒーレント応答を可能にしながら,競合する長期エミュレーションの精度を保っていることが示された。 これらの結果は、受動的地球系エミュレータからインタラクティブで介入対応の科学的サロゲートへの実践的な経路を示唆している。

関連論文リスト

• MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces [27.312811759047023]
  物理地上の離散要素接触解法を特徴とするMILDについて述べる。 我々は、深い強化学習を通して地形認識コントローラを訓練する。 本システムでは,様々な表面硬さのオンライン識別と適応性を実証する。
  論文  参考訳（メタデータ） (2026-08-20T12:24:34Z)
• WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
  行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。 物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
  論文  参考訳（メタデータ） (2026-08-10T08:48:06Z)
• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• BEHAVE: A Hybrid AI Framework for Real-Time Modeling of Collective Human Dynamics [0.0]
  既存のAIシステムは、グループを安定させるか、エスカレーションやブレークダウンに移行するかを判断する集合的ダイナミクスを捉えていない。 相互作用空間上で定義された連続挙動場として集合力学をモデル化する形式的フレームワークであるBEHAVEを紹介する。 再検討された同じ分野は、群衆の安全、危機チームダイナミクス、教育、臨床状況に適用できる。
  論文  参考訳（メタデータ） (2026-05-12T20:32:02Z)
• Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
  2つの軸に沿って組織された「レベルx法」の分類を導入します。 第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。 我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
  論文  参考訳（メタデータ） (2026-04-24T17:48:47Z)
• Self-adapting Robotic Agents through Online Continual Reinforcement Learning with World Model Feedback [2.165723322157105]
  この作業は、デプロイ中の自動適応を可能にするオンライン連続強化学習のためのフレームワークを提供する。 提案手法は,世界モデル予測残差を利用して分布外事象を検出し,自動的に微調整をトリガーする。 このアプローチは、高忠実度シミュレーションにおける四足歩行ロボットを含む、様々な現代の連続制御問題に対して検証される。
  論文  参考訳（メタデータ） (2026-03-04T13:07:42Z)
• Transfer Learning Study of Motion Transformer-based Trajectory Predictions [1.2972104025246092]
  自動運転における軌道計画は、他の道路利用者の緊急行動を予測することに大きく依存している。 学習ベースの手法は現在、シミュレーションベースの課題において印象的な結果を示している。 本研究は,実世界への効果的な移行を支援するために,計算時間と性能のトレードオフの可能性に関する洞察を提供することを目的としている。
  論文  参考訳（メタデータ） (2024-04-12T06:50:32Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
  深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。 これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。 本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-13T14:22:20Z)

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。