論文の概要: Machine Learning Applications in the Solar Interior and Atmosphere
- arxiv url: http://arxiv.org/abs/2610.34687v1
- Date: Mon, 26 Oct 2026 01:24:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.669672
- Title: Machine Learning Applications in the Solar Interior and Atmosphere
- Title（参考訳）: 太陽内部と大気における機械学習応用
- Abstract要約: この章は、力学系理論の数学的枠組みの中で太陽を定式化する。
ヘリオ物理における機械学習の主な役割は、数学的演算子の構造化されたファミリーとして機能することである。
隠れたマルチスケール結合を解決するために、データ駆動技術が観測ギャップを橋渡しする方法を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The solar interior and atmosphere constitute a strongly coupled, multiscale dynamical system defined by continuous temporal evolution. Predicting the state of this system requires modeling physical interactions that span disparate spatial and temporal scales, constrained by heterogeneous and sparse data. This chapter formalizes the Sun within the mathematical framework of dynamical systems theory, defining a global state vector ($\vec{S}$) governed by thermodynamical, kinetic, and magnetic properties. Because solar observations represent projected, multi-modal, and partially observable measurements ($\vec{O}[\vec{S}]$) of this hidden state, pure physics-based deduction is fundamentally constrained. We present a unifying thesis: the primary role of machine learning in heliophysics is to act as a structured family of mathematical operators---specifically Inference ($\mathcal{I}$), Emulation ($\mathcal{E}$), Propagation ($\mathcal{P}$), and Control ($\mathcal{C}$)---that reconstruct, simulate, and couple this global state vector across disparate physical layers. By framing the vast, multi-disciplinary literature within this unified state-space taxonomy, we demonstrate how data-driven techniques bridge observational gaps to resolve hidden multiscale couplings and dramatically accelerate the simulation of non-linear processes, establishing a rigorous pathway to predict the global evolution of the Sun.
- Abstract（参考訳）: 太陽内部と大気は、連続時間進化によって定義される強く結合した多スケールの力学系を構成する。
このシステムの状態を予測するには、異種データとスパースデータによって制約された、異なる空間スケールと時間スケールにまたがる物理的相互作用をモデル化する必要がある。
この章は、力学系理論の数学的枠組みの中で太陽を定式化し、熱力学、運動学、磁気的性質によって支配される大域状態ベクトル(\vec{S}$)を定義する。
太陽観測は、この隠れた状態の射影、多モード、および部分的に観測可能な測定([\vec{O}[\vec{S}]$)を表すため、純粋な物理学に基づく推論は基本的に制約されている。
ヘリオフィジックにおける機械学習の主な役割は、特に推論(\mathcal{I}$)、エミュレーション(\mathcal{E}$)、プロパゲーション(\mathcal{P}$)、コントロール(\mathcal{C}$)--再構成、シミュレート、そしてこのグローバルな状態ベクトルを異なる物理層にまたがって結合する、数学的作用素の構造化ファミリーとして機能することである。
この統合された状態空間分類学の中で、膨大な多分野の文献をフレーミングすることにより、データ駆動技術が観測ギャップを橋渡しして隠れたマルチスケールのカップリングを解消し、非線形過程のシミュレーションを劇的に加速し、太陽のグローバルな進化を予測するための厳密な経路を確立することを実証する。
関連論文リスト
- Neural Operator based Multi-Field Reconstruction of Inner Solar Boundary State [1.2314765641075438]
本研究では,30太陽半径でのマルチフィールド多スケール太陽磁気流体状態の学習問題について検討する。
入力関数空間と出力関数空間のマッピングを学習するローカルニューラル演算子(LocalNO)を用いる。
結果の予測と入力は、将来の内部半球モデリングパイプラインのバウンダリ条件変数として機能することを意図している。
論文 参考訳（メタデータ） (2026-08-24T04:11:59Z) - CaLiSym: Learning Symplectic Dynamics of Real-World Systems through Structured Canonical Lifts [5.265601895449634]
CaLiSymは、幾何学的事前が課される場所を変更することで、シンプレクティック学習をそのようなシステムに拡張する軽量フレームワークである。
フレームワークをSympNet予測器でインスタンス化し、正確なシンプレクティック構造と近似を組み合わせたB-スプライン変種であるGRB-SympNetを導入する。
持ち上げられた力学はシンプレクティックな形式を数値的な精度に保ち、シンプレクティックな学習は保守的な力学を超えて現実世界のロボティクスへと拡張する。
論文 参考訳（メタデータ） (2026-07-07T21:41:59Z) - Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
科学と工学における根本的な課題は、シミュレーションと実験のギャップである。
このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。
本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
論文 参考訳（メタデータ） (2026-04-01T17:21:33Z) - From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。
微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
論文 参考訳（メタデータ） (2025-12-01T11:47:49Z) - Towards universal property prediction in Cartesian space: TACE is all you need [2.2468751274668466]
原子クラスター膨張と運動電位は任意の構造決定的テンソル特性の体系的予測のための枠組みである。
我々は、TACEが主要な同変フレームワークに匹敵する精度、安定性、効率を達成することを実証する。
この研究は、新しい世代の普遍的原子論機械学習モデルの基礎を築いた。
論文 参考訳（メタデータ） (2025-09-18T13:51:07Z) - A Gravity-informed Spatiotemporal Transformer for Human Activity Intensity Prediction [38.079618124577976]
本研究では,重力インフォームド時空間変換器(重力変換器)という物理インフォームド深層学習フレームワークを提案する。
6つの実世界の大規模活動データセットの実験は、最先端のベンチマークよりも、我々のモデルの量的および質的な優位性を実証している。
論文 参考訳（メタデータ） (2025-06-16T16:32:51Z) - Pioneer: Physics-informed Riemannian Graph ODE for Entropy-increasing Dynamics [61.70424540412608]
幅広いエントロピー増加動的システムに対する物理インフォームドグラフODEを提案する。
我々は、物理法則に従って、証明可能なエントロピーの非減少を報告する。
実証的な結果は、実際のデータセット上でのPioneerの優位性を示している。
論文 参考訳（メタデータ） (2025-02-05T14:54:30Z) - Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。
地磁気場状態の局所励起による初期状態を考慮する。
局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
論文 参考訳（メタデータ） (2022-07-14T10:05:20Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z)
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。