[論文レビュー] Machine Learning in Heliophysics and Space Weather Forecasting: A White Paper of Findings and Recommendations

Gelu M. Nita, Manolis K. Georgoulis+39 more|arXiv (Cornell University)|Jun 22, 2020

Solar and Space Plasma Dynamics参考文献 6被引用数 9

ひとこと要約

このホワイトペーパーは、標準化されたベンチマークデータセット、学際的連携、データおよびコードのオープン共有を通じて、太陽物理学および宇宙天気予測への機械学習（ML）の戦略的統合を提唱する。MLは物理モデルの補完的ツールとして位置づけられ、空間天気およびNSFのグランドチャレンジを前進させるために、データ、モデル、パフォーマンスの厳密な検証を強調する。

ABSTRACT

The authors of this white paper met on 16-17 January 2020 at the New Jersey Institute of Technology, Newark, NJ, for a 2-day workshop that brought together a group of heliophysicists, data providers, expert modelers, and computer/data scientists. Their objective was to discuss critical developments and prospects of the application of machine and/or deep learning techniques for data analysis, modeling and forecasting in Heliophysics, and to shape a strategy for further developments in the field. The workshop combined a set of plenary sessions featuring invited introductory talks interleaved with a set of open discussion sessions. The outcome of the discussion is encapsulated in this white paper that also features a top-level list of recommendations agreed by participants.

研究の動機と目的

• ヘリオフィジックス分野のデータの複雑性の増大に応じて、分析および予測のための機械学習を重要なツールとして提案する。
• 現在のデータおよびモデリング手法の限界を克服するため、ヘリオフィジックス分野のあらゆる分野にわたる標準化され、高品質なベンチマークデータセットを整備する。
• ヘリオフィジリスト、データサイエンティスト、モデリング研究者との連携を促進し、MLの応用が科学的に根拠を持ち、検証可能であることを保証する。
• データ、モデル、ソースコードの公開を推進することで、オープンサイエンスを促進し、コミュニティ全体の進展を加速する。
• NSFのグランドチャレンジプロジェクトにおける宇宙天気予測を支援するため、MLを将来的な研究インfraストラクチャの根幹に据える。

提案手法

• ヘリオフィジックス、データサイエンス、モデリング分野の専門家を統合するための学際的ワークショップ（例：ML-Helioシリーズ）を実施する。
• ヘリオフィジックスのあらゆるサブフィールドにわたる標準化されたベンチマークデータセットを開発し、MLモデルと物理ベースのモデルの客観的比較を可能にする。
• 実験的プラズマ環境と物理モデルを統合し、観測のみでは到達できないキネティックスケールのプロセスをよりよく理解する。
• データ検証、モデル検証、パフォーマンス検証の3段階の品質保証フレームワークを、すべてのMLアプリケーションに導入する。
• ML応用アイデアを明確なタイムラインとマイルストーンを伴う実行可能計画に具体化するための専門チームを設立する。
• 既存のサイバインfraストラクチャ（例：CCMC、EarthCube）を活用し、オープンライセンスを推進することで、機関および機関間でのデータおよびコードのアクセス可能性を確保する。

実験結果

リサーチクエスチョン

• RQ1 物理モデルの原則を損なうことなく、どのようにして機械学習をヘリオフィジックスおよび宇宙天気予測に体系的に統合できるか？
• RQ2 ヘリオフィジックス分野において、コミュニティが検証可能な高品質なベンチマークデータセットを効果的に作成および維持するにはどのような戦略が有効か？
• RQ3 ヘリオフィジリスト、データサイエンティスト、モデリング研究者間の学際的連携を制度化するにはどのような仕組みが必要か？
• RQ4 ヘリオフィジックスコミュニティにおいて、MLモデル、データ、ソースコードの長期的オープン性と再現可能性を保証するメカニズムは何か？
• RQ5 機械学習は、NSFのグランドチャレンジプロジェクトにおける宇宙天気予測の予測能力をどのように強化できるか？

主な発見

• 客観的な評価と比較を可能にするために、高品質で標準化されたベンチマークデータセットは、ヘリオフィジックス分野におけるMLモデルと物理ベースのモデルの両方にとって不可欠である。
• 機械学習は物理モデルの代替ではなく、現代のヘリオフィジックスにおけるビッグデータの課題を鑑みれば、強力な補完的ツールである。
• 信頼性と再現可能性を確保するため、データ、モデル、パフォーマンス検証の3本立ての品質保証プロセスを併用して適用する必要がある。
• MLのアイデアを構造的でタイムラインが明確な計画に具体化するための専門チームの設立は、分野の体系的前進にとって不可欠である。
• コミュニティの進展を図るためには、データおよびソースコードのオープン共有が不可欠であり、現在のインcentiveは限られているが、公開の拡大はより広範な採用を促進すると予想される。
• NASA、NOAA、AFOSR、および広範な学際的コミュニティは、ヘリオフィジックスにおけるMLの成功に不可欠な主要ステークホルダーである。