論文の概要: An actively trained neural operator for near-explicit atmospheric chemistry

• arxiv url: http://arxiv.org/abs/2610.33771v2
• Date: Tue, 27 Oct 2026 11:27:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.346101
• Title: An actively trained neural operator for near-explicit atmospheric chemistry
• Title（参考訳）: 準専門的大気化学のための能動的訓練型ニューラル演算子
• Abstract要約: FNO-MoEは、専門家が混ざった神経オペレーターで、1回の呼び出しで30分以上の化学反応を予測します。 同ネットワークは、専門家間の不一致を利用して、最も有益なボックスモデルシミュレーションを選択する、独自のトレーニングもガイドしている。
• 参考スコア（独自算出の注目度）: 6.34393080298604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth-system models simplify atmospheric chemistry into condensed mechanisms, because near-explicit mechanisms such as the Master Chemical Mechanism (MCM) are too costly to solve in every grid cell. Neural emulators could lift this limit, but most advance the chemistry in small time steps and cover only a few species or a reduced mechanism. Here we introduce FNO-MoE, a Fourier neural operator with a mixture of experts that predicts the full near-explicit chemical state over 30 minutes in a single call. The same network also guides its own training, using the disagreement among its experts to select the most informative box-model simulations. At equal cost, this active sampling yields a more accurate emulator than random or evenly spread sampling. Fine-tuning on longer trajectories keeps it stable over multi-hour runs in which models trained on short simulations diverge. The resulting emulator reproduces the evolution of thousands of species with high fidelity, remains accurate for unseen chemical compositions and runs orders of magnitude faster than the numerical solver. These results open a new direction for emulating complex atmospheric systems: neural operators that predict the full chemical state over long windows and choose their own training data. Training under changing meteorology is the next step towards bringing near-explicit chemistry into Earth-system models.
• Abstract（参考訳）: 地球系モデルでは、マスターケミカルメカニズム(MCM)のようなほぼ精巧なメカニズムは、すべてのグリッドセルで解決するにはコストがかかりすぎるため、大気化学を凝縮機構に単純化する。 神経エミュレータは、この制限を解除することができるが、ほとんどの場合、小さな段階で化学を前進させ、少数の種または還元機構のみをカバーする。 ここでは、FNO-MoEを紹介します。FNO-MoEは、FNO-MoE、FNO-MoE、FNO-MoE、FNO-MoE、FNO-MoE、FNO-MoE、FNO-MoE、FNO-MoE、FNO-MoE。 同ネットワークは、専門家間の不一致を利用して、最も有益なボックスモデルシミュレーションを選択する、独自のトレーニングもガイドしている。 同一のコストで、このアクティブサンプリングはランダムまたは均等なスプレッドサンプリングよりも正確なエミュレータが得られる。 長い軌道の微調整は、ショートシミュレーションで訓練されたモデルが分岐するマルチ時間走行よりも安定している。 得られたエミュレータは、高い忠実度を持つ何千もの種の進化を再現し、未知の化学組成に対して正確であり、数値解法よりも桁違いに速く動作する。 これらの結果は、複雑な大気システムをエミュレートするための新しい方向、すなわち、長い窓越しに完全な化学状態を予測し、独自のトレーニングデータを選択する神経オペレーターを開く。 気象学の変化の下での訓練は、地球系のモデルにほぼ精巧な化学を導入するための次のステップである。

関連論文リスト

• Precision quantum simulation of magnon spectra and interactions [94.30337065819249]
  最大97量子ビットのアナログデジタル超伝導プロセッサを用いて, 2次元XYスピン-1/2マグネットにおける線形および非線形応答関数の高精度シミュレーションを行った。 以上の結果から,ブリュアン帯におけるマグノンの崩壊速度の変動が明らかとなり,バンホーブ特異点付近の増大とエッジ局在モードの抑制が認められた。
  論文  参考訳（メタデータ） (2026-07-14T22:11:22Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• ATOM: A Pretrained Neural Operator for Multitask Molecular Dynamics [36.272506910258606]
  Atomistic Transformer Operator for Molecules (ATOM) はマルチタスク分子動力学のための事前訓練されたトランスフォーマーニューラル演算子である。 ATOMは、確立したシングルタスクベンチマークで最先端のパフォーマンスを達成する。 ATOMは、様々な時間ホリゾンにまたがる無見えない分子への例外的なゼロショット一般化を示す。
  論文  参考訳（メタデータ） (2025-10-07T00:56:39Z)
• Neural-Network Chemical Emulator for First-Star Formation: Robust Iterative Predictions over a Wide Density Range [0.0]
  本稿では,Population III星形成における熱的および化学的進化のためのニューラルネットワークエミュレータを提案する。 密度範囲を5つのサブリージョンに分割し、各リージョンで個別のディープオペレータネットワーク(DeepONets)をトレーニングする。 ランダムにサンプリングされた熱化学状態に適用すると、エミュレータは温度と化学量の両方のケースの90%以上で10%未満の誤差を達成する。
  論文  参考訳（メタデータ） (2025-08-22T06:11:03Z)
• OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems [64.69217059173184]
  OrbitAllは、幾何学および物理インフォームドディープラーニングフレームワークである。 任意の電荷、スピン、環境効果を持つ任意の分子系を表現し、処理することができる。 競合するAIモデルよりも10倍少ないトレーニングデータを使用して、化学精度を達成し、密度汎関数理論と比較して約103$ - 104$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-07-05T01:21:56Z)
• Neural Network Emulator for Atmospheric Chemical ODE [6.84242299603086]
  高速な化学濃度モデリングのためのニューラルネットワークエミュレータを提案する。 初期状態と今後の時間進化の間の隠れた相関関係を抽出するために,ChemNNEを提案する。 提案手法は,モデリング精度と計算速度において最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-08-03T17:43:10Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Using a neural network approach to accelerate disequilibrium chemistry calculations in exoplanet atmospheres [0.0]
  本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に着目する。 ネットワークのアーキテクチャは、各入力変数に対する個々のオートエンコーダで構成され、入力次元を減少させる。 その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
  論文  参考訳（メタデータ） (2023-06-12T12:39:21Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)

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。