論文の概要: Graph Neural Networks as Fast and High-fidelity Emulators for Finite-Element Ice Sheet Modeling

• arxiv url: http://arxiv.org/abs/2402.05291v1
• Date: Wed, 7 Feb 2024 22:10:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 17:09:10.062929
• Title: Graph Neural Networks as Fast and High-fidelity Emulators for Finite-Element Ice Sheet Modeling
• Title（参考訳）: 有限要素氷板モデリングのための高速・高忠実エミュレータとしてのグラフニューラルネットワーク
• Authors: Maryam Rahnemoonfar, Younghyun Koo
• Abstract要約: 氷床・海面系モデル(ISSM)の有限要素構造を保存するため,高速な代理モデルとしてグラフニューラルネットワーク(GNN)を開発した。 GNNは古典的畳み込みニューラルネットワーク(CNN)と多層知覚(MLP)よりも精度良く氷厚と速度を再現する
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although the finite element approach of the Ice-sheet and Sea-level System Model (ISSM) solves ice dynamics problems governed by Stokes equations quickly and accurately, such numerical modeling requires intensive computation on central processing units (CPU). In this study, we develop graph neural networks (GNN) as fast surrogate models to preserve the finite element structure of ISSM. Using the 20-year transient simulations in the Pine Island Glacier (PIG), we train and test three GNNs: graph convolutional network (GCN), graph attention network (GAT), and equivariant graph convolutional network (EGCN). These GNNs reproduce ice thickness and velocity with better accuracy than the classic convolutional neural network (CNN) and multi-layer perception (MLP). In particular, GNNs successfully capture the ice mass loss and acceleration induced by higher basal melting rates in the PIG. When our GNN emulators are implemented on graphic processing units (GPUs), they show up to 50 times faster computational time than the CPU-based ISSM simulation.
• Abstract（参考訳）: 氷床・海水準系モデル(ISSM)の有限要素法はストークス方程式が支配する氷力学の問題を迅速かつ正確に解くが、そのような数値モデリングは中央処理ユニット(CPU)に集約的な計算を必要とする。 本研究では,ISSMの有限要素構造を保存するための高速代理モデルとしてグラフニューラルネットワーク(GNN)を開発した。 Pine Island Glacier (PIG) における20年間の過渡シミュレーションを用いて、グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、同変グラフ畳み込みネットワーク(EGCN)の3つのGNNを訓練・試験する。 これらのGNNは、古典的畳み込みニューラルネットワーク(CNN)や多層知覚(MLP)よりも精度良く氷厚と速度を再現する。 特に、GNNはPIGの高基底融解速度によって引き起こされる氷の質量減少と加速をうまく捉えた。 GNNエミュレータをグラフィック処理ユニット(GPU)に実装すると、CPUベースのISSMシミュレーションよりも最大50倍高速な計算時間が得られる。

関連論文リスト

• Graph Neural Network as Computationally Efficient Emulator of Ice-sheet and Sea-level System Model (ISSM) [0.0]
  氷床・海面システムモデル(ISSM)のための高速エミュレータとしてグラフ畳み込みネットワーク(GCN)を設計する。 GCNはCPUベースのISSMモデリングよりも34倍高速である。
  論文  参考訳（メタデータ） (2024-06-26T16:13:11Z)
• Graph Neural Networks for Emulation of Finite-Element Ice Dynamics in Greenland and Antarctic Ice Sheets [0.0]
  同変グラフ畳み込みネットワーク(EGCN)は、氷床力学モデリングのためのエミュレータである。 EGCNはヘルハイム氷河、グリーンランド氷河、パインアイランド氷河の氷厚と速度の変化をそれぞれ260倍と44倍の速度で再現する。
  論文  参考訳（メタデータ） (2024-06-26T15:18:49Z)
• Machine Learning Parameterization of the Multi-scale Kain-Fritsch (MSKF) Convection Scheme [6.912451798457824]
  温暖帯の豪雨はしばしば南中国沿岸で起こる。 大気境界層の乱流渦は、灰色ゾーンで部分的に解かれ、ある程度パラメータ化されるのみである。 近年,さまざまな分野の大気科学への機械学習(ML)モデルの適用が増加している。
  論文  参考訳（メタデータ） (2023-11-07T01:47:16Z)
• Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
  データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。 CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。 グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
  論文  参考訳（メタデータ） (2023-07-10T09:59:35Z)
• Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids [58.720142291102135]
  IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。 我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。 GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
  論文  参考訳（メタデータ） (2022-06-23T15:27:29Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• 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)
• LIAF-Net: Leaky Integrate and Analog Fire Network for Lightweight and Efficient Spatiotemporal Information Processing [16.446511505488633]
  Deep Network LIAF-Net は LIF-SNN 上に構築されている。 一時的レイヤとして、LIAFは従来の人工知能ニューラルネットワーク(ANN)レイヤと共同で使用することもできる。
  論文  参考訳（メタデータ） (2020-11-12T03:04:21Z)
• Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
  グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。 ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。 本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T08:01:55Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。