論文の概要: PISCES: Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather Anomaly Detection and Early Warning
- arxiv url: http://arxiv.org/abs/2609.28022v1
- Date: Wed, 23 Sep 2026 12:47:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.019721
- Title: PISCES: Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather Anomaly Detection and Early Warning
- Title（参考訳）: PISCES: 宇宙の異常検出と早期警告のための物理式太陽風畳み込みオートエンコーダ
- Abstract要約: 宇宙気象の早期警戒は、地球に到達する前に最初の太陽-地球ラグランジュ点 (L1) で観測された太陽風の過渡度を検出することに依存する。
物理制約下でのOMNI太陽風測定において,カタログラベルなしで訓練された畳み込みオートエンコーダを提案する。
推測において、PSSCESは異常スコアを磁気的およびプラズマ的再構成誤差、物理関係、残差補正に分離し、各寄与の規模を報告する。
- 参考スコア（独自算出の注目度）: 2.8746003415392867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Space weather early warning depends on detecting solar wind transients in in-situ measurements at the first Sun-Earth Lagrange point (L1), before they reach Earth. Fixed thresholds can miss combined magnetic and plasma structure, and many learning methods provide a single anomaly score. We present the Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather (PISCES), a convolutional autoencoder trained without catalog labels on OMNI solar wind measurements under physics constraints. Its loss includes magnetic field consistency, an empirical relation between temperature and velocity, the Parker spiral angle, and penalties on changes between consecutive one-minute samples in derived quantities calculated from the reconstruction. At inference, PISCES separates the anomaly score into magnetic and plasma reconstruction errors, physics relations, and residual corrections, and reports the magnitude of each contribution. Attenuation of the skip connections, selected on validation data, improves average precision for the trained models, while the untrained scores remain nearly the same. The trained models also give a more consistent ordering of these physical contributions. After smoothing with a trailing median, the alarms can precede independently observed sudden commencements, including positive sudden impulses.
- Abstract（参考訳）: 宇宙気象の早期警戒は、地球に到達する前に最初の太陽-地球ラグランジュ点 (L1) で観測された太陽風の過渡度を検出することに依存する。
固定しきい値は、磁気とプラズマの複合構造を見逃しかねず、多くの学習手法は単一の異常スコアを提供する。
我々は、物理制約下でのOMNI太陽風測定にカタログラベルなしで訓練された畳み込みオートエンコーダである、宇宙用太陽風畳み込みオートエンコーダ(PISCES)を提示する。
その損失には磁場の整合性、温度と速度の実証的関係、パーカー渦巻き角、再構成から算出された導出量の連続した1分間のサンプル間の変化に対する罰則が含まれる。
推測において、PSSCESは異常スコアを磁気的およびプラズマ的再構成誤差、物理関係、残差補正に分離し、各寄与の規模を報告する。
検証データに基づいて選択されたスキップ接続の減衰により、トレーニングされたモデルの平均精度が向上する一方、トレーニングされていないスコアはほぼ同じである。
トレーニングされたモデルは、これらの物理的コントリビューションをより一貫した順序付けも提供する。
後続の中央値でスムースにすると、アラームは、前向きな突然の衝動を含む、独立に観察される突然の開始を先延ばしに行うことができる。
関連論文リスト
- Seismic Site Response Prediction from Sparse Observations Using Finite-Element-Pretrained Latent Dynamics [7.784319214903995]
本研究は、応答方程式に対する転送可能強制型遅延オートエンコーダを提案する。
FLARE-Tは高密度有限要素シミュレーションから低次元応答多様体と入力駆動力学を学習する。
ショートレスポンスウィンドウは各予測を初期化し、完全なベースモーションは応答を駆動する。
論文 参考訳（メタデータ） (2026-09-17T14:18:05Z) - Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction [19.98127585683643]
物理インフォームド・ジェネレーティブ・ソルバを導入し、安定した事前学習と保存法の推論時適用を分離する。
音響学において、この方法はスパースセンサーから圧力と粒子速度を共同生成し、空間エイリアスを抑制する高密度仮想アレイを可能にする。
同じ枠組みは、現実世界のERA5気象分野に極端に広い範囲で一般化する。
論文 参考訳（メタデータ） (2026-05-21T11:24:48Z) - Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions [2.0013177824602444]
物理学に基づくシミュレータをPearlのdo演算子の機械的実現として扱う時系列因果発見のためのフレームワークを提案する。
シミュレータ内の変数を物理的に分離するパスをクランプし、建設による介入データを生成する。
サインフリップ座標は、シミュレータの精度がしきい値以下になると、推定因果効果が符号を反転させると予測する。
論文 参考訳（メタデータ） (2026-05-11T01:54:58Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - SL(C)AMma: Simultaneous Localisation, (Calibration) and Mapping With a Magnetometer Array [0.8594140167290097]
磁場に基づく同時局所マッピング(SLAM)は、以前に見られた場所を再考することによってループ閉鎖によるドリフトを低減する。
磁気センサ測定の不整合は、オドメトリー推定やループ閉鎖検出の複雑化に悪影響を及ぼす。
まず、磁力計アレイ(SLAMma)を用いた磁場ベースのSLAMと、これを拡張して磁力計校正パラメータ(SLCAMma)を共同で推定する。
論文 参考訳（メタデータ） (2026-04-21T19:49:59Z) - Physics Aware Neural Networks: Denoising for Magnetic Navigation [3.624059602945058]
空中システムは、地磁気データを抽出する上で重要な課題に直面している。
本研究では, 分散自由ベクトル場とE(3)等分散という, 物理学に基づく2つの制約に基づく枠組みを提案する。
実験により、これらの制約を埋め込むことで予測精度と物理的妥当性が大幅に向上し、古典的なディープラーニングアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-02-14T09:23:57Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。
動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。
提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文 参考訳（メタデータ） (2024-02-06T13:20:56Z)
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。