論文の概要: Graph Neural Networks for Emulation of Finite-Element Ice Dynamics in Greenland and Antarctic Ice Sheets

• arxiv url: http://arxiv.org/abs/2406.18423v1
• Date: Wed, 26 Jun 2024 15:18:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 13:00:05.275141
• Title: Graph Neural Networks for Emulation of Finite-Element Ice Dynamics in Greenland and Antarctic Ice Sheets
• Title（参考訳）: 緑地および南極氷床における有限要素氷動力学シミュレーションのためのグラフニューラルネットワーク
• Authors: Younghyun Koo, Maryam Rahnemoonfar,
• Abstract要約: 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。
• 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 numerical models provide accurate solutions for ice sheet dynamics based on physics laws, they accompany intensified computational demands to solve partial differential equations. In recent years, convolutional neural networks (CNNs) have been widely used as statistical emulators for those numerical models. However, since CNNs operate on regular grids, they cannot represent the refined meshes and computational efficiency of finite-element numerical models. Therefore, instead of CNNs, this study adopts an equivariant graph convolutional network (EGCN) as an emulator for the ice sheet dynamics modeling. EGCN reproduces ice thickness and velocity changes in the Helheim Glacier, Greenland, and Pine Island Glacier, Antarctica, with 260 times and 44 times faster computation time, respectively. Compared to the traditional CNN and graph convolutional network, EGCN shows outstanding accuracy in thickness prediction near fast ice streams by preserving the equivariance to the translation and rotation of graphs.
• Abstract（参考訳）: 数値モデルは物理法則に基づく氷床力学の正確な解を提供するが、偏微分方程式を解くための計算要求が強化されている。 近年、畳み込みニューラルネットワーク(CNN)は、これらの数値モデルのための統計エミュレータとして広く利用されている。 しかし、CNNは正規格子上で動作するため、有限要素数値モデルの洗練されたメッシュと計算効率を表現できない。 したがって、CNNの代わりに、氷床力学モデリングのエミュレータとして、同変グラフ畳み込みネットワーク(EGCN)を採用する。 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。 従来のCNNやグラフ畳み込みネットワークと比較して、EGCNはグラフの翻訳と回転に等しく保存することで、高速な氷流付近の厚さ予測において顕著な精度を示す。

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)
• Uncertainty-enabled machine learning for emulation of regional sea-level change caused by the Antarctic Ice Sheet [0.8130739369606821]
  沿岸部27箇所で海面変動のニューラルネットワークエミュレータを構築した。 ニューラルネットワークエミュレータは,ベースライン機械学習エミュレータと競合する精度を持つことを示す。
  論文  参考訳（メタデータ） (2024-06-21T18:27:09Z)
• Learning Spatio-Temporal Patterns of Polar Ice Layers With Physics-Informed Graph Neural Network [0.7673339435080445]
  本稿では,グラフ特徴学習のためのGraphSAGEフレームワークと,時間変化学習のためのLSTM構造を組み合わせた物理インフォーム型ハイブリッドグラフニューラルネットワークを提案する。 我々のネットワークは、深い氷層厚を予測する際に、現在の非誘導的または非物理的モデルよりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-21T16:41:02Z)
• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Graph Neural Networks as Fast and High-fidelity Emulators for Finite-Element Ice Sheet Modeling [0.0]
  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
  論文  参考訳（メタデータ） (2024-02-07T22:10:36Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Deep convolutional surrogates and degrees of freedom in thermal design [0.0]
  畳み込みニューラルネットワーク(CNN)は、画像として保存されたトポロジから直接計算流体力学(CFD)の結果を予測するために用いられる。 本稿では,複合ベジエ曲線を用いた複素フィン測地における熱伝達と圧力降下予測のための代理モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-16T00:45:39Z)
• Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
  本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。 これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:05:59Z)
• 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)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。