論文の概要: Graph Neural Network as Computationally Efficient Emulator of Ice-sheet and Sea-level System Model (ISSM)

• arxiv url: http://arxiv.org/abs/2407.01464v1
• Date: Wed, 26 Jun 2024 16:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 20:31:30.945042
• Title: Graph Neural Network as Computationally Efficient Emulator of Ice-sheet and Sea-level System Model (ISSM)
• Title（参考訳）: 氷床モデルと海面モデル(ISSM)の計算効率的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: Younghyun Koo, Maryam Rahnemoonfar,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Ice-sheet and Sea-level System Model (ISSM) provides solutions for Stokes equations relevant to ice sheet dynamics by employing finite element and fine mesh adaption. However, since its finite element method is compatible only with Central Processing Units (CPU), the ISSM has limits on further economizing computational time. Thus, by taking advantage of Graphics Processing Units (GPUs), we design a graph convolutional network (GCN) as a fast emulator for ISSM. The GCN is trained and tested using the 20-year transient ISSM simulations in the Pine Island Glacier (PIG). The GCN reproduces ice thickness and velocity with a correlation coefficient greater than 0.998, outperforming the traditional convolutional neural network (CNN). Additionally, GCN shows 34 times faster computational speed than the CPU-based ISSM modeling. The GPU-based GCN emulator allows us to predict how the PIG will change in the future under different melting rate scenarios with high fidelity and much faster computational time.
• Abstract（参考訳）: 氷床・海水準系モデル(ISSM)は、有限要素と微細メッシュ適応を用いて、氷床力学に関連するストークス方程式の解を提供する。 しかし、その有限要素法はCPU(Central Processing Units)としか互換性がないため、ISSMは計算時間を短縮することに制限がある。 したがって、グラフィックス処理ユニット(GPU)を活用して、ISSM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、Pine Island Glacier (PIG)の20年間のISSMシミュレーションを用いて、訓練と試験を行っている。 GCNは0.998以上の相関係数で氷厚と速度を再現し、従来の畳み込みニューラルネットワーク(CNN)より優れている。 さらに、GCNはCPUベースのISSMモデリングよりも34倍高速な計算速度を示している。 GPUベースのGCNエミュレータにより,PIGが将来的にどのように変化するかを予測することができる。

関連論文リスト

• Scalable Mechanistic Neural Networks [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Up-sampling-only and Adaptive Mesh-based GNN for Simulating Physical Systems [7.384641647468888]
  本稿では,UA-MGNと呼ばれる新しい階層型メッシュグラフネットワークを開発し,効率的な機械シミュレーションを行う。 2つの合成データセットと1つの実データセットの評価は、UA-MGNの優位性を示している。
  論文  参考訳（メタデータ） (2024-09-07T07:09:58Z)
• 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)
• 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)
• Graph convolutional network as a fast statistical emulator for numerical ice sheet modeling [0.0]
  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。
  論文  参考訳（メタデータ） (2024-02-07T22:10:36Z)
• 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)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• 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)
• 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)
• L$^2$-GCN: Layer-Wise and Learned Efficient Training of Graph Convolutional Networks [118.37805042816784]
  グラフ畳み込みネットワーク(GCN)は、多くのアプリケーションで人気が高まっているが、大きなグラフデータセットをトレーニングするのは依然として難しい。 本稿では,GCN (L-GCN) のための新しいレイヤワイドトレーニングフレームワークを提案する。 実験の結果、L-GCNは少なくとも1桁の精度で最先端よりも高速であり、メモリ使用量はデータセットのサイズに依存しないことがわかった。
  論文  参考訳（メタデータ） (2020-03-30T16:37:56Z)

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。