論文の概要: Graph convolutional network as a fast statistical emulator for numerical ice sheet modeling
- arxiv url: http://arxiv.org/abs/2402.05291v2
- Date: Wed, 20 Nov 2024 19:46:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-22 15:15:39.563292
- Title: Graph convolutional network as a fast statistical emulator for numerical ice sheet modeling
- Title(参考訳): 数値氷床モデリングのための高速統計エミュレータとしてのグラフ畳み込みネットワーク
- Authors: Maryam Rahnemoonfar, Younghyun Koo,
- Abstract要約: 我々は、氷床および海面システムモデル(ISSM)の適応メッシュ構造を複製するために、グラフ畳み込みネットワーク(GCN)を用いる。
南極のパインアイランド氷河(PIG)の過渡シミュレーションに適用すると、GCNは約0.997の相関係数で氷の厚さと速度を再現することに成功した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The Ice-sheet and Sea-level System Model (ISSM) provides numerical solutions for ice sheet dynamics using finite element and fine mesh adaption. However, considering ISSM is compatible only with central processing units (CPUs), it has limitations in economizing computational time to explore the linkage between climate forcings and ice dynamics. Although several deep learning emulators using graphic processing units (GPUs) have been proposed to accelerate ice sheet modeling, most of them rely on convolutional neural networks (CNNs) designed for regular grids. Since they are not appropriate for the irregular meshes of ISSM, we use a graph convolutional network (GCN) to replicate the adapted mesh structures of the ISSM. When applied to transient simulations of the Pine Island Glacier (PIG), Antarctica, the GCN successfully reproduces ice thickness and velocity with a correlation coefficient of approximately 0.997, outperforming non-graph models, including fully convolutional network (FCN) and multi-layer perceptron (MLP). Compared to the fixed-resolution approach of the FCN, the flexible-resolution structure of the GCN accurately captures detailed ice dynamics in fast-ice regions. By leveraging 60-100 times faster computational time of the GPU-based GCN emulator, we efficiently examine the impacts of basal melting rates on the ice sheet dynamics in the PIG.
- Abstract(参考訳): 氷床・海水準系モデル (ISSM) は有限要素および微細メッシュ適応を用いた氷床力学の数値解を提供する。
しかし、ISSMは中央処理ユニット(CPU)にのみ対応していることを考えると、気候強制と氷力学の結びつきを探索するために計算時間を節約できる限界がある。
グラフ処理ユニット(GPU)を用いたいくつかのディープラーニングエミュレータが氷床モデリングを加速するために提案されているが、その多くは通常のグリッド用に設計された畳み込みニューラルネットワーク(CNN)に依存している。
これらはISSMの不規則メッシュには適さないため、ISSMの適応メッシュ構造を再現するためにグラフ畳み込みネットワーク(GCN)を用いる。
南極のパインアイランド氷河(PIG)の過渡的なシミュレーションに適用すると、GCNは氷厚と速度を約0.997の相関係数で再現し、完全な畳み込みネットワーク(FCN)や多層パーセプトロン(MLP)を含む非グラフモデルより優れている。
FCNの固定分解能アプローチと比較して、GCNのフレキシブル分解能構造は、高速氷の領域における詳細な氷のダイナミクスを正確に捉えている。
我々はGPUベースのGCNエミュレータの60~100倍高速な計算時間を利用して,PIGの氷床力学に対する基底融解速度の影響を効率的に検討する。
関連論文リスト
- CondensNet: Enabling stable long-term climate simulations via hybrid deep learning models with adaptive physical constraints [12.564238759484962]
現在の一般循環モデル(GCM)は、雲や対流のような未解決の物理過程を捉える上で困難に直面している。
クラウド・リゾルディング・モデル(Super Paramtetrizations とも呼ばれる)は計算的に禁止されている。
我々は、非物理的凝縮プロセスの修正に自己適応的な物理的制約を組み込んだ、新しいニューラルネットワークアーキテクチャであるCondensNetを紹介した。
論文 参考訳(メタデータ) (2025-02-18T11:11:17Z) - Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。
本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
論文 参考訳(メタデータ) (2025-02-11T22:14:30Z) - 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 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) - 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。