論文の概要: AI Emulation of Stochastic Sudden Stratospheric Warming with Interpretable Latent Structure

• arxiv url: http://arxiv.org/abs/2610.02069v1
• Date: Thu, 01 Oct 2026 17:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.321067
• Title: AI Emulation of Stochastic Sudden Stratospheric Warming with Interpretable Latent Structure
• Title（参考訳）: 解釈可能な潜在構造をもつ確率的急速成層圏温暖化のAIエミュレーション
• Abstract要約: 希少な気象状態遷移は、クラス不均衡によるデータ駆動モデリングの課題となる。 本研究では,状態遷移をもつプロトタイプシステムのための確率論的深層学習エミュレータを開発する。
• 参考スコア（独自算出の注目度）: 0.5079036702018244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rare weather regime transitions pose a challenge for data-driven modeling due to class imbalance. In this study, we develop a probabilistic deep learning emulator for a prototypical system with regime transitions, the stochastic Holton--Mass model of stratospheric variability, and analyze the structure of its learned latent space. The Holton--Mass model exhibits two metastable regimes, a strong and a weak polar vortex, maintained by nonlinear wave--mean flow interactions, with weak stochastic forcing intermittently triggering rare transitions between these regimes that qualitatively represent SSW events. We employ a ResNet-inspired Conditional Variational Autoencoder with six-layer encoder and decoder layers and explicit current-state conditioning to model the distribution of the system's state at the next time step (one day). The emulator accurately reproduces short-term dynamics, steady-state probability distributions, regime persistence statistics, rare transition rates, the transition committor function, and the transition expected lead time of the physical model. Beyond emulation fidelity, we interrogate the learned latent representation to understand how the model internalizes the underlying metastable structure of the dynamics. Principal Component Analysis of the 32-dimensional latent space reveals a clear and unsupervised separation into four physically interpretable clusters corresponding to strong versus weak vortex regimes and stable versus transition-prone configurations. Such emergent regime separation in latent space is hard to identify for deep generative models applied to high-dimensional stochastic systems. Our results show that carefully designed probabilistic emulators can uncover physically meaningful manifolds governing extreme-event dynamics, potentially aiding the development of improved operational advanced warning systems.
• Abstract（参考訳）: 希少な気象状態遷移は、クラス不均衡によるデータ駆動モデリングの課題となる。 本研究では, 位相遷移を伴う確率論的深層学習エミュレータ, 確率論的Holton-Massモデルの成層圏変動モデルを開発し, 学習された潜伏空間の構造を解析する。ホルトン-Massモデルでは, 非線形波-平均流相互作用によって維持される2つの準安定状態, 強い極渦と弱い極渦が示され, 間欠的にSSW現象を表わすこれらの状態間の遷移を誘導する。 本研究では,ResNetにインスパイアされた条件変分自動エンコーダを6層エンコーダ層とデコーダ層で実装し,次のステップ(1日)でシステム状態の分布をモデル化する。 エミュレータは、短時間のダイナミクス、定常確率分布、状態持続統計、稀な遷移率、遷移コミッタ関数、および物理モデルの遷移予測リードタイムを正確に再現する。 エミュレーションの忠実性以外にも、学習した潜在表現を疑問視し、モデルが動的の基盤となる準安定構造をどのように内部化するかを理解する。 32次元ラテント空間の主成分分析では、強い渦と弱い渦と安定な渦と遷移を起こしやすい構成に対応する4つの物理的解釈可能なクラスターに明確で教師なしの分離が示される。 潜在空間におけるそのような創発的状態分離は、高次元確率系に適用された深部生成モデルに対して識別することが難しい。 この結果から, 高度に設計された確率的エミュレータは, 極端変動力学を規定する物理的に有意な多様体を発見でき, 改良された高度警報システムの開発を支援する可能性が示唆された。

関連論文リスト

• More Experts, Worse Dynamics: Inverse Scaling and Spectral Bias in Mixture-of-Experts State-Space Models [0.0]
  本研究では,3つの規則から構成されるシーケンスの次段階予測課題について検討する。 オペレータレベルの混合モデルは、一貫してシングルエキスパートベースラインを上回りません。
  論文  参考訳（メタデータ） (2026-08-22T08:22:32Z)
• Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems [1.9800280967139285]
  カオス・高次元非線形力学系の高忠実度数値シミュレーションは計算コストが高い。 このような系のほとんどの代理モデルは決定論的であり、例えば、ニューラル作用素が関与する場合である。 この研究は、生成機械学習を利用した代理モデリングの定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-13T04:11:37Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
  LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。 我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。 統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:06Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。