論文の概要: Can LLM Agents Improve Imperfect Earth System Model Parameterizations?

• arxiv url: http://arxiv.org/abs/2611.03543v1
• Date: Mon, 02 Nov 2026 18:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:59:29.836049
• Title: Can LLM Agents Improve Imperfect Earth System Model Parameterizations?
• Title（参考訳）: LLMエージェントは不完全な地球系モデルパラメータ化を改善できるか?
• Abstract要約: 地球系モデルは、対流、雲の微小物理学、乱流のような未解決の過程を表現するためにパラメータ化に依存する。 我々は,科学文献を合成し,バルクパラメータ化を再実装するエージェントの能力を評価し,差別化可能なJAXコードとして新たな機能形式を提案する。 我々は,従来のパラメータ化,データ駆動エミュレータ,エージェント生成クロージャを高忠実度スーパードロップレットシミュレーションと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth system models (ESMs) rely on parameterizations to represent unresolved processes such as convection, cloud microphysics, and turbulence. However, translating advances in physical understanding into stable, validated parameterizations and integrating them into ESMs often takes years. Agentic AI could accelerate this process and enable more systematic exploration of design choices. Using warm-rain collision-coalescence as a test case, we evaluate agents' ability to synthesize scientific literature, reimplement published bulk parameterizations, and propose new functional forms as differentiable JAX code. We compare conventional parameterizations, data-driven emulators, and agent-generated closures against high-fidelity superdroplet simulations, repeating unattended experiments across ten language models. With expert guidance or iterative feedback, agents produced executable, differentiable, mass-conserving code, although unattended performance depended strongly on the scheme and language model. Iterative feedback lowered median rollout error for eight of ten models. Retuned physical schemes matched or outperformed many learned parameterizations at substantially lower computational cost, but two of 100 unattended agent-generated closures achieved slightly lower rain-mass error than the most accurate retuned scheme on held-out simulations.
• Abstract（参考訳）: 地球系モデル(ESM)は、対流、雲の微小物理学、乱流などの未解決過程を表現するためにパラメータ化に依存する。 しかし、物理的理解の進歩を安定的で検証されたパラメータ化に翻訳し、ESMに組み込むには数年を要することが多い。 エージェントAIはこのプロセスを加速し、より体系的な設計選択の探索を可能にする。 実験ケースとして, 熱線衝突凝固法を用いて, エージェントが科学文献を合成し, バルクパラメータ化を再実装し, JAXコードとして新たな機能形式を提案する。 我々は,従来のパラメータ化,データ駆動エミュレータ,エージェント生成クロージャを高忠実度スーパードロップレットシミュレーションと比較し,10言語モデルにおける意図しない実験を繰り返した。 専門家の指導や反復的なフィードバックにより、エージェントは実行可能で微分可能な大量保存コードを生成するが、意図しないパフォーマンスはスキームと言語モデルに強く依存していた。 繰り返しフィードバックは10モデル中8モデルのロールアウトエラーを下げた。 修正された物理スキームは、多くの学習パラメータ化を計算コストで大幅に低下させたが、100件の未修正エージェント生成クロージャのうち2件は、ホールドアウトシミュレーションにおける最も正確な修正スキームよりも若干低い雨量誤差を達成した。

関連論文リスト

• High-Rank Structured Modulation for Parameter-Efficient Fine-Tuning [57.85676271833619]
  低ランク適応 (LoRA) は、全パラメータの微調整をシミュレートするために低ランク更新法を用いる。 textbfStructured textbfMOdulation textbfAdapterは、より高いランクを維持しながらトレーニング可能なパラメータを少なくする。
  論文  参考訳（メタデータ） (2026-01-12T13:06:17Z)
• PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations [52.67948063133533]
  生成レコメンデーションは有望なパラダイムとして現れ、階層的なセマンティックIDよりもシーケンス・ツー・シーケンス生成タスクとしてレコメンデーションを改革している。 既存の手法は、セマンティックドリフト(Semantic Drift)と呼ばれる重要な問題に悩まされ、初期、高レベルのトークンのエラーは、生成軌道を無関係な意味部分空間に不可逆的に分散させる。 本稿では,高密度なステップバイステップ検証を生成モデルに統合する新しいフレームワークPromiseを提案する。
  論文  参考訳（メタデータ） (2026-01-08T07:38:46Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• Diffusion Model-based Parameter Estimation in Dynamic Power Systems [2.190363465029132]
  この研究は、そのような限界に対処する新しいパラメータ推定フレームワーク、JCDI(Joint Diffusion Model Inverse Problemsolvr)を導入する。 複合負荷モデルパラメータ化という電力系統の課題に対して、JCDIは単一条件モデルと比較してパラメータ推定誤差を58.6%削減する。 また、様々な電気的欠陥の下でシステムの動的応答を正確に再現し、根の平均二乗誤差は4*10(-3)以下である。
  論文  参考訳（メタデータ） (2024-11-15T18:53:08Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Reduced order modeling of parametrized systems through autoencoders and SINDy approach: continuation of periodic solutions [0.0]
  本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。 提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。 これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
  論文  参考訳（メタデータ） (2022-11-13T01:57:18Z)
• Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
  実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
  論文  参考訳（メタデータ） (2021-09-18T03:05:44Z)
• On the Sparsity of Neural Machine Translation Models [65.49762428553345]
  性能向上のために冗長パラメータを再利用できるかどうかを検討する。 実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
  論文  参考訳（メタデータ） (2020-10-06T11:47:20Z)
• DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
  確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。 シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。 実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-18T05:29:40Z)

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。