論文の概要: Butterfly Effect and the Kinetic Energy Cascade in Probabilistic Machine Learning Weather Prediction Models

• arxiv url: http://arxiv.org/abs/2609.18489v1
• Date: Wed, 16 Sep 2026 11:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.769769
• Title: Butterfly Effect and the Kinetic Energy Cascade in Probabilistic Machine Learning Weather Prediction Models
• Title（参考訳）: 確率論的機械学習気象予測モデルにおける蝶効果と運動エネルギーカスケード
• Abstract要約: 本研究では、4つの最先端確率的機械学習天気予報(MLWP)モデルにおいて、運動エネルギー(KE)スペクトル、差動エネルギー(DKE)スペクトル、空間スケールでのKE伝達のシグネチャを分析した。 その結果, MLWPモデルでは, 天気予報は少ないものの, 既知の運動エネルギーのスケール移動を誤って表現できることが示唆された。
• 参考スコア（独自算出の注目度）: 2.904892426557913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study analyses kinetic energy (KE) spectra, difference kinetic energy (DKE) spectra, and signatures of KE transfer across spatial scales in four state-of-the-art probabilistic machine learning weather prediction (MLWP) models: NeuralGCM-ENS, FourCastNet 3, AIFS-ENS, and GenCast. Results are compared with those from the physics-based numerical weather prediction model IFS-ENS. While NeuralGCM-ENS successfully reproduces the expected upscale transfer of KE, noise injection at its encoder stage underestimates mesoscale KE. Conversely, AIFS-ENS, GenCast, and FourCastNet 3 produce realistic KE spectral magnitudes but do not capture the expected upscale transfer of KE. In particular, AIFS-ENS and GenCast, which employ spatially uncorrelated stochastic perturbations, exhibit enhanced accumulation of KE at high wavenumbers. All examined models exhibit upscale error growth, reflected by the progressive shift of the DKE spectral peak toward larger wavelengths over time. However, the MLWP models struggle to reproduce the rapid initial growth of ensemble spread at small spatial scales associated with the butterfly effect. The results show that MLWP models can misrepresent the known scale transfer of kinetic energy despite producing skilful weather forecasts.
• Abstract（参考訳）: 本研究では,NuuralGCM-ENS, FourCastNet 3, AIFS-ENS, GenCastの4つのモデルを用いて, 運動エネルギー(KE)スペクトル, 差動エネルギー(DKE)スペクトル, 空間スケールでのKE伝達のシグネチャを解析した。 その結果,物理に基づく数値気象予測モデル IFS-ENS と比較した。 NeuralGCM-ENSは期待されるKEのアップスケール転送をうまく再現するが、エンコーダの段階でのノイズ注入はメソスケールKEを過小評価する。 逆に、AIFS-ENS、GenCast、FourCastNet 3は現実的なKEスペクトル等級を生成するが、期待されるKEのアップスケール転送を捉えない。 特に、空間的に非相関な確率的摂動を用いたAIFS-ENSとGenCastは、高波数でのKEの増大を示す。 いずれのモデルも、DKEスペクトルピークが時間とともに大きな波長に変化したことを反映して、大規模な誤差成長を示す。 しかし,MLWPモデルでは,蝶効果に関連する小空間スケールで拡散するアンサンブルの初期成長の再現に苦慮している。 その結果, MLWPモデルでは, 天気予報は少ないものの, 既知の運動エネルギーのスケール移動を誤って表現できることが示唆された。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
  CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。 SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。 大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:54Z)
• Hierarchical Testing of a Hybrid Machine Learning-Physics Global Atmosphere Model [9.985969370583426]
  機械学習(ML)ベースのモデルは、高い技術と計算効率を示しており、しばしば天気や季節下予測において従来の物理学ベースのモデルよりも優れている。 ここでは、光学的スケールの現象、年々の変動性、分布外均一な強制を対象とする3つの実験セットを設計する。 我々は,力学コアをMLベースコンポーネントに統合したハイブリッドモデルであるNeural General Circulation Model(NeuralGCM)を,観測と物理に基づく地球系モデル(ESM)に対して評価した。
  論文  参考訳（メタデータ） (2026-02-11T19:34:50Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Stimulus-Voltage-Based Prediction of Action Potential Onset Timing: Classical vs. Quantum-Inspired Approaches [0.09320657506524148]
  本稿では、APのオンセットを確率的事象として扱う量子インスパイアされたインテリジェンス・アンド・ファイア(QI-LIF)モデルを提案する。 従来の LIF モデルと QI-LIF モデルとの相対誤差を体系的に比較した。 以上の結果から,QI-LIFモデルは特に高強度刺激に対する予測誤差を著しく低減することが示された。
  論文  参考訳（メタデータ） (2025-10-03T16:28:02Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Variational diffusion transformers for conditional sampling of supernovae spectra [49.1574468325115]
  本報告では,光曲線観測に基づく拡散モデルであるDiTSNe-Iaを導入し,SNe Iaのスペクトルの多様性を再現する訓練を行った。 放射光伝達シミュレーションによる現実的な光曲線とスペクトルの実験において、DiTSNe-Iaは広く使用されているSALT3テンプレートよりもはるかに正確な再構成を行う。
  論文  参考訳（メタデータ） (2025-05-05T22:52:32Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は、物理学に基づくGEMとAIベースのGraphCastモデルの相対的な強みと弱みを示す。 物理空間とスペクトル空間におけるそれぞれの大域的予測の解析により、GraphCast予測された大規模なスケールは、より長いリードタイムにおいてGEMを上回っていることが明らかとなった。 GEMにより予測される温度と水平風の成分を大規模にグラフCast予測に向けてスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• Thermalization and Criticality on an Analog-Digital Quantum Simulator [133.58336306417294]
  本稿では,69個の超伝導量子ビットからなる量子シミュレータについて述べる。 古典的Kosterlitz-Thouless相転移のシグネチャと,Kibble-Zurekスケール予測からの強い偏差を観測する。 本システムは, 対角二量体状態でディジタル的に調製し, 熱化時のエネルギーと渦の輸送を画像化する。
  論文  参考訳（メタデータ） (2024-05-27T17:40:39Z)

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。