論文の概要: Physics-Guided Flow Matching: A Generative AI Framework for Global Total Electron Content Forecasting

• arxiv url: http://arxiv.org/abs/2610.37159v1
• Date: Tue, 27 Oct 2026 12:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.626894
• Title: Physics-Guided Flow Matching: A Generative AI Framework for Global Total Electron Content Forecasting
• Title（参考訳）: 物理誘導型フローマッチング:グローバル全電子コンテンツ予測のための生成AIフレームワーク
• Abstract要約: 本稿では,物理誘導型生成人工知能(AI)フレームワークを,日頭全球電子量(TEC)予測のためのフレームワークとして提案する。 提案モデルは、偏微分方程式(PDE)によって記述された電離圏力学をこの変換過程に組み込む。 その結果,提案モデルでは,代表ベンチマークよりも空間的および時間的予測精度が向上することが示された。
• 参考スコア（独自算出の注目度）: 7.712844086648736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of global total electron content (TEC) is important for space weather monitoring and the reliable operation of satellite communication and navigation systems. We propose a physics-guided generative artificial intelligence (AI) framework for day-ahead global TEC forecasting. The framework builds on flow matching, which learns to gradually transform samples from an initial distribution into new samples that share the statistical characteristics of the target data. The proposed model incorporates ionospheric dynamics described by a partial differential equation (PDE) into this transformation process, guiding the changes between initial and target samples using physical knowledge. The model further combines the physical dynamics with statistical patterns captured from data to learn this transformation, adaptively adjusting their relative contributions at each location. The model is trained and evaluated using one year of global TEC data generated by the Thermosphere Ionosphere Electrodynamics General Circulation Model (TIEGCM). The results demonstrate that our model improves both spatial and temporal forecasting accuracy over representative benchmarks, including statistical, deep learning, and generative AI methods at all lead times and across latitudes. The average root mean square error (RMSE) is 39.2% lower than that of ConvLSTM and 23.8% lower than that of the same framework without physical guidance. The learned contribution weights vary systematically with latitude and across geographic locations, showing how the physical contribution changes across the forecast domain. These findings demonstrate that explicit physical guidance improves generative forecasts of global TEC and highlight the value of incorporating physical dynamics into generative AI modeling.
• Abstract（参考訳）: 地球規模の全電子量(TEC)の正確な予測は、宇宙気象モニタリングと衛星通信およびナビゲーションシステムの信頼性の高い運用において重要である。 本研究では,地球規模のTEC予測のための物理誘導型生成人工知能(AI)フレームワークを提案する。 このフレームワークはフローマッチングに基づいて構築され、初期分布からターゲットデータの統計的特性を共有する新しいサンプルへと徐々に変換される。 提案モデルでは, 偏微分方程式(PDE)によって記述された電離層力学を変換過程に取り入れ, 物理知識を用いて初期試料と対象試料の変化を導出する。 このモデルはさらに、物理力学とデータから取得した統計的パターンを組み合わせて、この変換を学習し、それぞれの場所で相対的な寄与を適応的に調整する。 このモデルは、TIEGCM(Thermosphere Ionosphere Electrodynamics General Circulation Model)によって生成された1年間の地球規模のTECデータを用いて、訓練および評価を行う。 その結果,統計的,深層学習,生成的AI手法など,代表ベンチマークの空間的および時間的予測精度が,すべてのリードタイムと緯度にわたって向上していることが示唆された。 平均根平均二乗誤差(RMSE)はConvLSTMのそれよりも39.2%低く、物理的ガイダンスのない同じフレームワークよりも23.8%低い。 得られた貢献重量は緯度や地理的な場所によって体系的に変化し、予測領域全体で物理的貢献がどのように変化するかを示す。 これらの結果から、明示的な物理的ガイダンスは、グローバルTECの生成予測を改善し、生成AIモデリングに物理力学を組み込むことの価値を強調している。

関連論文リスト

• Physical knowledge on historical data matters more than enforcing physical constraints on the forecast [1.8051006704301766]
  本研究では,物理インフォームド・リカレントニューラルネットワーク(PIRNN)を提案する。 本手法はいくつかの方程式を用いて任意の物理モデルに容易に適用可能であり,それぞれが可観測変数の集合を持つ。
  論文  参考訳（メタデータ） (2026-09-17T08:23:08Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
  本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。 FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。 これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
  論文  参考訳（メタデータ） (2026-03-16T14:36:47Z)
• Phys-Diff: A Physics-Inspired Latent Diffusion Model for Tropical Cyclone Forecasting [37.26271867155396]
  Phys-Diffは物理学に着想を得た潜伏拡散モデルであり、潜伏した特徴をタスク固有成分に分解する。 実験は、グローバルデータセットと地域データセットで最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-02-28T07:37:02Z)
• Globalization for Scalable Short-term Load Forecasting [7.654516721062505]
  本稿では,データドリフトの存在下でのグローバルな負荷予測について検討する。 グローバリゼーション、データ不均一性、データドリフトがそれぞれどう影響するかを示す。 また,ピーク負荷予測におけるグローバリゼーションの役割と階層予測の可能性についても検討した。
  論文  参考訳（メタデータ） (2025-07-15T20:58:14Z)
• 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)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)

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。