論文の概要: GNN-Surrogate: A Hierarchical and Adaptive Graph Neural Network for
Parameter Space Exploration of Unstructured-Mesh Ocean Simulations
- arxiv url: http://arxiv.org/abs/2202.08956v2
- Date: Mon, 21 Feb 2022 19:59:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 12:45:21.746500
- Title: GNN-Surrogate: A Hierarchical and Adaptive Graph Neural Network for
Parameter Space Exploration of Unstructured-Mesh Ocean Simulations
- Title（参考訳）: gnn-surrogate:非構造化海洋シミュレーションのパラメータ空間探索のための階層的かつ適応型グラフニューラルネットワーク
- Authors: Neng Shi, Jiayi Xu, Skylar W. Wurster, Hanqi Guo, Jonathan Woodring,
Luke P. Van Roekel, and Han-Wei Shen
- Abstract要約: 本研究では,海洋気候シミュレーションのパラメータ空間を探索するグラフニューラルネットワークに基づく代理モデルを提案する。
GNN-Surrogateは与えられたシミュレーションパラメータで出力フィールドを予測する。
GNN-Surrogateの有効性と有効性を示すため,MPAS-Oceanシミュレーションの評価を行った。
- 参考スコア（独自算出の注目度）: 8.851780016570311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose GNN-Surrogate, a graph neural network-based surrogate model to
explore the parameter space of ocean climate simulations. Parameter space
exploration is important for domain scientists to understand the influence of
input parameters (e.g., wind stress) on the simulation output (e.g.,
temperature). The exploration requires scientists to exhaust the complicated
parameter space by running a batch of computationally expensive simulations.
Our approach improves the efficiency of parameter space exploration with a
surrogate model that predicts the simulation outputs accurately and
efficiently. Specifically, GNN-Surrogate predicts the output field with given
simulation parameters so scientists can explore the simulation parameter space
with visualizations from user-specified visual mappings. Moreover, our
graph-based techniques are designed for unstructured meshes, making the
exploration of simulation outputs on irregular grids efficient. For efficient
training, we generate hierarchical graphs and use adaptive resolutions. We give
quantitative and qualitative evaluations on the MPAS-Ocean simulation to
demonstrate the effectiveness and efficiency of GNN-Surrogate. Source code is
publicly available at https://github.com/trainsn/GNN-Surrogate.
- Abstract（参考訳）: 海洋気候シミュレーションのパラメータ空間を探索するグラフニューラルネットワークに基づく代理モデルであるGNN-Surrogateを提案する。
領域科学者にとってパラメータ空間探索は、入力パラメータ(例えば風応力)がシミュレーション出力(例えば温度)に与える影響を理解することが重要である。
この探索では、計算に高価なシミュレーションを実行することで複雑なパラメータ空間を消耗させる必要がある。
提案手法は,シミュレーション出力を精度よく効率的に予測するサロゲートモデルを用いて,パラメータ空間探索の効率を向上する。
具体的には、GNN-Surrogateは与えられたシミュレーションパラメータで出力フィールドを予測し、シミュレーションパラメータ空間をユーザが指定したビジュアルマッピングから視覚化することで探索することができる。
さらに,グラフに基づく手法は非構造メッシュ用に設計されており,不規則グリッド上でのシミュレーション出力の探索が効率的である。
効率的なトレーニングのために,階層グラフを生成し,適応解法を用いる。
mpas-oceanシミュレーションの定量的・定性評価を行い,gnn-surrogateの有効性と有効性を示す。
ソースコードはhttps://github.com/trainsn/GNN-Surrogateで公開されている。
関連論文リスト
- ParamsDrag: Interactive Parameter Space Exploration via Image-Space Dragging [10.860159623360842]
ParamsDragは、ビジュアライゼーションと直接対話することでパラメータ空間の探索を容易にするモデルである。
第一に、ParamsDragの生成成分は、入力シミュレーションパラメータに基づいて視覚化を生成する。
第2に、可視化において構造関連機能を直接ドラッグすることで、ユーザーは異なるパラメータの制御効果を直感的に理解することができる。
第三に、初期のステップから理解することで、ユーザはParamsDragを操り、ダイナミックな視覚的な結果を生み出すことができる。
論文 参考訳（メタデータ） (2024-07-19T08:12:41Z) - SurroFlow: A Flow-Based Surrogate Model for Parameter Space Exploration and Uncertainty Quantification [17.175947741031674]
既存のディープラーニングベースのサロゲートモデルは、効率的なデータ生成を容易にするが、不確実な定量化、効率的なパラメータ空間探索、逆予測に不足する。
シミュレーションパラメータとシミュレーション出力の間の可逆変換を学習するために,フローベースサロゲートモデルを正規化した新しいモデルであるSurroFlowを紹介した。
本フレームワークは,科学的サロゲートモデルの信頼性と探索能力を向上しつつ,計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2024-07-16T19:08:49Z) - Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。
我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。
本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
論文 参考訳（メタデータ） (2024-06-06T07:34:58Z) - Dual-Space Optimization: Improved Molecule Sequence Design by Latent
Prompt Transformer [78.47949363282868]
本稿では,遅延空間サンプリングとデータ空間選択を統合したDual-Space Optimization (DSO)法を提案する。
DSOは、生成モデルと合成データを所望のプロパティ値の領域にシフトさせる最適化プロセスにおいて、潜在空間生成モデルと合成データセットを反復的に更新する。
提案手法の有効性を実証し, 単一目的, 多目的, 制約された分子設計タスクにまたがる新しい性能ベンチマークを設定した。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。
このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
論文 参考訳（メタデータ） (2023-11-02T20:40:21Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine
Learning [0.0]
実世界の光検出・測光(LiDAR)を用いて風車ウェイクを計測し,機械学習を用いて予測的代理モデルを構築する。
提案手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度に問い合わせることができる風車流速場を高精度に近似するものである。
論文 参考訳（メタデータ） (2021-09-06T14:46:20Z) - Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。
ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。
実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
論文 参考訳（メタデータ） (2021-04-15T17:59:55Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z)
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。