論文の概要: Strategic Governance of AI Models in Earth Science
- arxiv url: http://arxiv.org/abs/2610.10560v1
- Date: Thu, 01 Oct 2026 00:15:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.554327
- Title: Strategic Governance of AI Models in Earth Science
- Title（参考訳）: 地球科学におけるAIモデルの戦略的ガバナンス
- Abstract要約: 気候や気候のデータに基づいて事前訓練されたAI基礎モデルは、地球科学のタスクに微調整されるようになっている。
彼らの開発と採用は、科学界がそれらを評価できる能力を上回っている。
地球科学におけるAIモデルの物理的評価のための5つの優先事項を同定する。
- 参考スコア（独自算出の注目度）: 0.2108803722842492
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI foundation models pretrained on weather and climate data are increasingly fine-tuned to Earth science tasks well beyond weather forecasting. Their development and adoption are outpacing the scientific community's ability to evaluate them. These models are judged almost entirely by benchmark skill metrics, which measure how closely a forecast reproduces a reference product but not whether a model represents the physical processes governing the system it predicts. Forecast skill and physical reliability are therefore distinct properties. The distinction is most consequential under the nonstationary conditions of a changing climate for which these models were never trained. We identify five priorities for the physical evaluation of AI models in Earth science from task-specific emulators to foundation models, spanning training data, fine-tuning, behavioral testing, mechanistic interpretability, and output validation. We recommend three activities for the coming decade: 1) open AI-ready evaluation datasets, 2) a shared reporting standard for physics-based evaluation, and 3) a dedicated research program on the safety of these models.
- Abstract（参考訳）: 気象データや気候データに基づいて事前訓練されたAIファンデーションモデルは、天気予報を超えて地球科学のタスクに微調整されるようになっている。
彼らの開発と採用は、科学界がそれらを評価できる能力を上回っている。
これらのモデルは、ほぼ完全にベンチマークスキルメトリクスによって判断される。これは、予測が基準商品をどの程度密に再現するかを計測するが、モデルが予測するシステムを管理する物理プロセスを表すかどうかではない。
したがって、予測スキルと物理的信頼性は異なる特性である。
この区別は、これらのモデルが決して訓練されなかった変化する気候の非定常条件の下で最も適切である。
我々は、タスク固有のエミュレータから基礎モデル、トレーニングデータの範囲、微調整、行動テスト、機械的解釈可能性、出力検証までの、地球科学におけるAIモデルの物理的評価の5つの優先順位を特定した。
今後10年間に3つのアクティビティを推奨します。
1)オープンAI対応評価データセット
2)物理に基づく評価のための共有報告基準、及び
3)これらのモデルの安全性に関する専用の研究プログラム。
関連論文リスト
- ClimateBench v2.0: Probabilistic Climate Model Benchmarking [15.100158252226812]
気候モデルを評価するための標準プロトコルであるClimateBench v2を提案する。
このプロトコルは、物理ベース、データ駆動型、ハイブリッド気候モデルのいずれかを評価するように設計されている。
論文 参考訳（メタデータ） (2026-10-03T14:49:16Z) - PhysMetrics.Weather: An Evaluation Framework for Physical Consistency in ML Weather Models [4.098005604417204]
本稿では機械学習天気予報モデルの物理的現実性を評価する評価フレームワークPhysMetrics$.$Weatherを紹介する。
物理リアリズムを定量化することにより、MLWPモデルが運用に信頼性があるかどうかを評価するのに役立つ。
論文 参考訳（メタデータ） (2026-06-09T09:45:52Z) - Deep Learning and Foundation Models for Weather Prediction: A Survey [26.206143056332056]
物理学に基づく数値モデルは、何十年にもわたって大気科学の基盤となっている。
深層学習(DL)モデルは気象学の強力なツールとして登場し、複雑な気象や気候データを分析することができる。
本稿では,最近の気象予測のための深層学習モデルと基礎モデルについて述べる。
論文 参考訳（メタデータ） (2025-01-12T19:27:51Z) - A Benchmark for AI-based Weather Data Assimilation [10.100157158477145]
本研究では,シミュレーション観測,実世界観測,ERA5再解析により構築したベンチマークであるDABenchを提案する。
実験の結果,4DVarFormerV2とSformerを統合したエンド・ツー・エンドの天気予報システムが実世界の観測を同化できることが確認された。
提案されているDABenchは、AIベースのDA、AIベースの天気予報、および関連するドメインの研究を大幅に前進させる。
論文 参考訳（メタデータ） (2024-08-21T08:50:19Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z)
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。