グラフベース神経空間天気予報
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19605v1発表形式：クロス
要旨：正確な宇宙天気予報は、ますますデジタル化が進むインフラを守る上で極めて重要である。VlasiatorのようなHybrid-Vlasovモデルは、現行運用システムを上回る物理的現実性を持つが、リアルタイム使用には計算コストが高すぎる。本研究では、Vlasiatorデータを用いて訓練されたグラフニューラルエミュレータを用いて、上流太陽風によって駆動される地球近傍宇宙環境を自己回帰的に予測する手法を紹介する。高速な決定論的予測と、生成モデルを用いたアンサンブル予測による不確実性の定量化を達成する方法を示す。本研究は、機械学習が既存の宇宙天気予測システムに不確実性定量化機能を追加し、Hybrid-Vlasovシミュレーションを運用可能なものにする手段を提供することを実証する。
原文（英語）を表示
Title (EN): Graph-based Neural Space Weather Forecasting
arXiv:2509.19605v1 Announce Type: cross
Abstract: Accurate space weather forecasting is crucial for protecting our increasingly digital infrastructure. Hybrid-Vlasov models, like Vlasiator, offer physical realism beyond that of current operational systems, but are too computationally expensive for real-time use. We introduce a graph-based neural emulator trained on Vlasiator data to autoregressively predict near-Earth space conditions driven by an upstream solar wind. We show how to achieve both fast deterministic forecasts and, by using a generative model, produce ensembles to capture forecast uncertainty. This work demonstrates that machine learning offers a way to add uncertainty quantification capability to existing space weather prediction systems, and make hybrid-Vlasov simulation tractable for operational use.
Published: 2025-09-24 19:00 UTC