論文の概要: Physics-Informed Multi-Task Surrogate Model for the Martian Nightside Thermosphere
- arxiv url: http://arxiv.org/abs/2609.10077v1
- Date: Wed, 09 Sep 2026 12:00:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.007868
- Title: Physics-Informed Multi-Task Surrogate Model for the Martian Nightside Thermosphere
- Title（参考訳）: 火星のナイトサイド熱圏に対する物理インフォームドマルチタスクサロゲートモデル
- Abstract要約: 4つの中性種の基底10の対数密度を同時に予測する物理インフォームドニューラルネットワークを提案する。
軌道を離す列車/検証/テスト分割を用いた実験は、物理学的インフォームド正規化が非物理的インバージョンを大幅に減少させることを示している。
結果として得られたモデルは、垂直整合性を改善した夜間熱圏再構築のための計算効率の良いサロゲートを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling the Martian nightside thermosphere remains challenging due to sparse in situ sampling and strong coupling among transport, magnetic, and seasonal processes. Purely data-driven models can produce non-physical artifacts, such as density inversions, in poorly sampled altitude regimes. We present a multi-task physics-informed neural network that simultaneously predicts the base-10 logarithmic densities of four neutral species (O, CO$_2$, N$_2$, and Ar) using more than a decade of MAVEN/NGIMS observations (MY 32-38, 2014-2025). A shared backbone learns a common representation of the nightside thermospheric state and branches into species-specific output heads. A weak monotonicity prior is incorporated via automatic differentiation by penalizing positive vertical gradients in logarithmic density. Experiments using an orbit-disjoint train/validation/test split show that physics-informed regularization substantially reduces non-physical inversions while preserving predictive skill and slightly improving it in the best-performing configuration, as measured by RMSE, MAE, and $R^2$. The resulting model provides a computationally efficient surrogate for nightside thermospheric reconstruction with improved vertical consistency.
- Abstract（参考訳）: 火星の夜間熱圏のモデル化は、輸送、磁気、季節的な過程の間の希薄なサンプリングと強い結合のため、依然として困難なままである。
純粋なデータ駆動モデルでは、密度インバージョンのような非物理的アーティファクトを、サンプルの少ない高度で生成することができる。
10年以上にわたるMAVEN/NGIMS観測(MY 32-38, 2014-2025)を用いて、4つの中性種(O, CO$_2$, N$_2$, Ar)の基底10対数密度を同時に予測するマルチタスク物理インフォームニューラルネットワークを提案する。
共有バックボーンは、夜間の熱圏状態の共通表現を学び、種特異的な出力ヘッドに分岐する。
対数密度の正の垂直勾配をペナライズすることにより、自動微分により、先行した弱い単調性が組み込まれる。
軌道不整合列車/検証/試験分割を用いた実験により、物理インフォームド正規化は予測スキルを維持しながら非物理的インバージョンを著しく低減し、RMSE, MAE, $R^2$で測定されたように、最高の性能構成でわずかに改善することが示された。
結果として得られたモデルは、垂直整合性を改善した夜間熱圏再構築のための計算効率の良いサロゲートを提供する。
関連論文リスト
- Climate Physics Dynamic Matching [46.03496190842378]
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。
論文 参考訳（メタデータ） (2026-08-27T10:07:40Z) - Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。
まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。
第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
論文 参考訳（メタデータ） (2026-08-06T14:41:11Z) - Von Mises-Fisher Mixture Model with Dynamic Shrinkage for Realistic Test-Time Transduction [29.23829287730805]
動的収縮(MOON)を伴うVon Mises-Fisherモデルの混合
MOONは、単位超球面上の特徴表現をモデル化するために、von Mises-Fisher分布の混合の上に構築される。
信頼性の低い代入を抑え、不利なクラスからの有害な更新を防ぐ。
論文 参考訳（メタデータ） (2026-07-17T11:08:08Z) - Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z) - Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.1572025118388268]
ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。
極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
論文 参考訳（メタデータ） (2025-07-02T19:33:57Z) - Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。
これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。
非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
論文 参考訳（メタデータ） (2025-06-27T13:23:27Z) - Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。
PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。
N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
論文 参考訳（メタデータ） (2025-06-19T17:14:22Z) - Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。
HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
論文 参考訳（メタデータ） (2025-05-16T14:40:56Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Reduced Order Probabilistic Emulation for Physics-Based Thermosphere
Models [0.0]
本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。
利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。
また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
論文 参考訳（メタデータ） (2022-11-08T17:36:37Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Deep learning for surrogate modelling of 2D mantle convection [1.7499351967216341]
深層学習技術は偏微分方程式のパラメータ化サロゲートを安定に生成できることを示す。
まず、畳み込みオートエンコーダを用いて温度場を142倍圧縮する。
次に、FNNおよび長寿命メモリネットワーク(LSTM)を用いて、圧縮されたフィールドを予測する。
論文 参考訳（メタデータ） (2021-08-23T12:13:04Z)
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。