論文の概要: Domain-Decomposed Graph Neural Network Surrogate Modeling for Ice Sheets

• arxiv url: http://arxiv.org/abs/2512.01888v1
• Date: Mon, 01 Dec 2025 17:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.978277
• Title: Domain-Decomposed Graph Neural Network Surrogate Modeling for Ice Sheets
• Title（参考訳）: 領域分解型グラフニューラルネットワークによる氷板のサロゲートモデリング
• Authors: Adrienne M. Propp, Mauro Perego, Eric C. Cyr, Anthony Gruber, Amanda A. Howard, Alexander Heinlein, Panos Stinis, Daniel M. Tartakovsky,
• Abstract要約: 我々は、非構造化メッシュ上で直接動作する物理インスパイアされたグラフニューラルネットワーク(GNN)サロゲートを開発した。 我々は、速度をまたいだ微調整モデルへの転送学習を採用し、トレーニングを加速し、データ制限設定の精度を向上させる。 以上の結果から,グラフベースのDDとトランスファーラーニングを組み合わせることで,大規模PDEシステム上でGNNサロゲートをトレーニングするための,スケーラブルで信頼性の高い経路が提供されることがわかった。
• 参考スコア（独自算出の注目度）: 34.15484094708584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate yet efficient surrogate models are essential for large-scale simulations of partial differential equations (PDEs), particularly for uncertainty quantification (UQ) tasks that demand hundreds or thousands of evaluations. We develop a physics-inspired graph neural network (GNN) surrogate that operates directly on unstructured meshes and leverages the flexibility of graph attention. To improve both training efficiency and generalization properties of the model, we introduce a domain decomposition (DD) strategy that partitions the mesh into subdomains, trains local GNN surrogates in parallel, and aggregates their predictions. We then employ transfer learning to fine-tune models across subdomains, accelerating training and improving accuracy in data-limited settings. Applied to ice sheet simulations, our approach accurately predicts full-field velocities on high-resolution meshes, substantially reduces training time relative to training a single global surrogate model, and provides a ripe foundation for UQ objectives. Our results demonstrate that graph-based DD, combined with transfer learning, provides a scalable and reliable pathway for training GNN surrogates on massive PDE-governed systems, with broad potential for application beyond ice sheet dynamics.
• Abstract（参考訳）: 高精度で効率的な代理モデルは、偏微分方程式(PDE)の大規模シミュレーション、特に何百、何千もの評価を必要とする不確実量化(UQ)タスクに不可欠である。 我々は、非構造化メッシュ上で直接動作し、グラフ注意の柔軟性を活用する物理インスピレーション付きグラフニューラルネットワーク(GNN)サロゲートを開発した。 モデルのトレーニング効率と一般化特性の両方を改善するために,メッシュをサブドメインに分割し,局所的なGNNサロゲートを並列に訓練し,それらの予測を集約するドメイン分解(DD)戦略を導入する。 次に、サブドメイン間の微調整モデルへの転送学習を採用し、トレーニングを加速し、データ制限設定の精度を向上させる。 氷床シミュレーションに応用して,高分解能メッシュ上でのフルフィールド速度を正確に予測し,単一のグローバルサロゲートモデルのトレーニングに比較してトレーニング時間を著しく短縮し,UQ目的のための熟成基盤を提供する。 以上の結果から, グラフベースのDDと移動学習を組み合わせることで, GNNサロゲートを大規模PDE法で訓練するためのスケーラブルで信頼性の高い経路が得られ, 氷床力学以外の応用の可能性も広いことが示唆された。

関連論文リスト

• Recurrent U-Net-Based Graph Neural Network (RUGNN) for Accurate Deformation Predictions in Sheet Material Forming [13.180335574191432]
  本研究では,Recurrent U Net-based Graph Neural Network (RUGNN) と呼ばれる新しいグラフニューラルネットワークサロゲートモデルを開発した。 RUGNNモデルは、複数の成形時間ステップにわたるシート材料変形場の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2025-07-10T08:14:18Z)
• Graph Data Selection for Domain Adaptation: A Model-Free Approach [54.27731120381295]
  グラフドメイン適応(GDA)は、グラフ機械学習の基本的なタスクである。 本稿では,対象ドメインの分類タスクに対して,ソースドメインから最高のトレーニングデータを選択する新しいモデルフリーフレームワークであるGRADATEを提案する。 GRADATEは既存の選択法よりも優れており、トレーニングデータが少なく、市販のGDA法を向上する。
  論文  参考訳（メタデータ） (2025-05-22T21:18:39Z)
• A Multi-Fidelity Graph U-Net Model for Accelerated Physics Simulations [1.2430809884830318]
  本稿では,GNNモデルの性能向上のための多元性手法の利点を生かした,新しいGNNアーキテクチャであるMulti-Fidelity U-Netを提案する。 提案手法は精度とデータ要求において有意に優れた性能を示すことを示す。 また,提案アーキテクチャの高速バージョンであるMulti-Fidelity U-Net Liteを35%高速化し,精度を2～5%削減した。
  論文  参考訳（メタデータ） (2024-12-19T20:09:38Z)
• Mean flow data assimilation using physics-constrained Graph Neural Networks [0.0]
  本研究では,グラフニューラルネットワーク(GNN)と最適化手法を統合し,平均流路復元の精度を高める新しいデータ同化手法を提案する。 GNNフレームワークは非構造化データを扱うのに適しており、計算流体力学(CFD)で遭遇する複雑な測地に共通している。 その結果,データ駆動モデルに類似するモデルと比較して,訓練データに制限がある場合でも,平均フロー再構成の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。 最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。 解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
  論文  参考訳（メタデータ） (2023-11-13T18:37:07Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)

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。