論文の概要: A Fast AI Surrogate for Coastal Ocean Circulation Models

• arxiv url: http://arxiv.org/abs/2410.14952v1
• Date: Sat, 19 Oct 2024 02:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:15:49.029160
• Title: A Fast AI Surrogate for Coastal Ocean Circulation Models
• Title（参考訳）: 沿岸循環モデルのための高速AIサロゲート
• Authors: Zelin Xu, Jie Ren, Yupu Zhang, Jose Maria Gonzalez Ondina, Maitane Olabarrieta, Tingsong Xiao, Wenchong He, Zibo Liu, Shigang Chen, Kaleb Smith, Zhe Jiang,
• Abstract要約: 海洋学者は海岸沿いの海流をシミュレートし、生命を救い、海岸の危険から財産の損失や被害を防ぐ早期警戒システムを開発する。 伝統的に、このようなシミュレーションは、地域海洋モデリングシステム(ROMS)のような沿岸海洋循環モデルを用いて行われる。 近年のディープラーニングとGPUアーキテクチャの進歩により、より高速なAI(ニューラルネットワーク)サロゲートの開発が可能になった。 本稿では,4次元スウィントランスを用いたAIサロゲートを提案する。
• 参考スコア（独自算出の注目度）: 10.800252698519634
• License:
• Abstract: Nearly 900 million people live in low-lying coastal zones around the world and bear the brunt of impacts from more frequent and severe hurricanes and storm surges. Oceanographers simulate ocean current circulation along the coasts to develop early warning systems that save lives and prevent loss and damage to property from coastal hazards. Traditionally, such simulations are conducted using coastal ocean circulation models such as the Regional Ocean Modeling System (ROMS), which usually runs on an HPC cluster with multiple CPU cores. However, the process is time-consuming and energy expensive. While coarse-grained ROMS simulations offer faster alternatives, they sacrifice detail and accuracy, particularly in complex coastal environments. Recent advances in deep learning and GPU architecture have enabled the development of faster AI (neural network) surrogates. This paper introduces an AI surrogate based on a 4D Swin Transformer to simulate coastal tidal wave propagation in an estuary for both hindcast and forecast (up to 12 days). Our approach not only accelerates simulations but also incorporates a physics-based constraint to detect and correct inaccurate results, ensuring reliability while minimizing manual intervention. We develop a fully GPU-accelerated workflow, optimizing the model training and inference pipeline on NVIDIA DGX-2 A100 GPUs. Our experiments demonstrate that our AI surrogate reduces the time cost of 12-day forecasting of traditional ROMS simulations from 9,908 seconds (on 512 CPU cores) to 22 seconds (on one A100 GPU), achieving over 450$\times$ speedup while maintaining high-quality simulation results. This work contributes to oceanographic modeling by offering a fast, accurate, and physically consistent alternative to traditional simulation models, particularly for real-time forecasting in rapid disaster response.
• Abstract（参考訳）: 9億人近い人々が世界中の低地海岸地帯に住んでおり、より頻繁で激しいハリケーンや暴風雨の影響を受けやすい。 海洋学者は海岸沿いの海流をシミュレートし、生命を救い、海岸の危険から財産の損失や被害を防ぐ早期警戒システムを開発する。 伝統的に、このようなシミュレーションは、複数のCPUコアを持つHPCクラスタ上で実行される地域海洋モデリングシステム(ROMS)のような沿岸海洋循環モデルを用いて行われる。 しかし、このプロセスは時間がかかりエネルギーがかかる。 粗粒のROMSシミュレーションはより高速な代替手段を提供するが、特に複雑な沿岸環境では細部と精度を犠牲にする。 近年のディープラーニングとGPUアーキテクチャの進歩により、より高速なAI(ニューラルネットワーク)サロゲートの開発が可能になった。 本稿では,4D Swin Transformer をベースとしたAIサロゲートを導入し,沿岸の潮流の伝播を後流と予測の両方(12日以内)でシミュレートする。 提案手法はシミュレーションを高速化するだけでなく,不正確な結果を検出し,修正するための物理に基づく制約を取り入れ,手作業による介入を最小限に抑えながら信頼性を確保する。 我々は、NVIDIA DGX-2 A100 GPU上でモデルトレーニングと推論パイプラインを最適化し、完全にGPUアクセラレーションされたワークフローを開発する。 我々の実験は、従来のROMSシミュレーションの12日間の予測時間コストを9,908秒(CPUコア512個)から22秒(A100 GPU1個)に短縮し、高品質なシミュレーション結果を維持しながら450$\times$スピードアップを達成した。 この研究は、特に災害時のリアルタイム予測において、従来のシミュレーションモデルに代わる高速で正確で物理的に一貫した代替手段を提供することによって、海洋モデルに寄与する。

関連論文リスト

• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• Super-Resolution works for coastal simulations [6.263499279406057]
  高解像度のシミュレーションは、特に津波や暴風雨による洪水を予測するために、多くのプロセスの理解を深めるために必要である。 本稿では,高分解能数値解を効率的に学習するための超解法拡張のためのDeep Networkを提案する。 提案手法は,最先端の手法と比較して,高精細度で高速な計算が可能である。
  論文  参考訳（メタデータ） (2024-08-29T14:16:13Z)
• 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)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Training neural mapping schemes for satellite altimetry with simulation data [6.591483977714996]
  深層学習スキームは、時空問題に対処する魅力的なソリューションとして登場してきた。 リアルタイムデータセットの不足は、実世界のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。 本稿では,海洋力学と衛星高度計の両方のシミュレーションを利用して,海面高さのシミュレーションに基づくニューラルマッピングを訓練する。
  論文  参考訳（メタデータ） (2023-09-19T14:32:25Z)
• AI-GOMS: Large AI-Driven Global Ocean Modeling System [3.635120568177384]
  海洋モデリングは、海洋の物理的、化学的、生物学的過程をシミュレートするための強力なツールである。 本稿では,AIによる大規模海洋モデリングシステムであるAI-GOMSについて紹介する。
  論文  参考訳（メタデータ） (2023-08-06T15:59:30Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Learning High-Speed Flight in the Wild [101.33104268902208]
  複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。 鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。 現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
  論文  参考訳（メタデータ） (2021-10-11T09:43:11Z)
• Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
  我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。 単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。 バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
  論文  参考訳（メタデータ） (2021-03-12T00:22:50Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)

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。