論文の概要: Graph neural network for colliding particles with an application to sea ice floe modeling
- arxiv url: http://arxiv.org/abs/2602.16213v1
- Date: Wed, 18 Feb 2026 06:31:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-19 15:58:30.529761
- Title: Graph neural network for colliding particles with an application to sea ice floe modeling
- Title（参考訳）: 衝突粒子のグラフニューラルネットワークと海氷モデルへの応用
- Authors: Ruibiao Zhu,
- Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を用いた海氷モデリングの新しい手法を提案する。
The Collision-Captured Network (CN) と呼ばれるこのモデルでは、海氷力学を効果的に学習し、予測するためにデータ同化技術を統合している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a novel approach to sea ice modeling using Graph Neural Networks (GNNs), utilizing the natural graph structure of sea ice, where nodes represent individual ice pieces, and edges model the physical interactions, including collisions. This concept is developed within a one-dimensional framework as a foundational step. Traditional numerical methods, while effective, are computationally intensive and less scalable. By utilizing GNNs, the proposed model, termed the Collision-captured Network (CN), integrates data assimilation (DA) techniques to effectively learn and predict sea ice dynamics under various conditions. The approach was validated using synthetic data, both with and without observed data points, and it was found that the model accelerates the simulation of trajectories without compromising accuracy. This advancement offers a more efficient tool for forecasting in marginal ice zones (MIZ) and highlights the potential of combining machine learning with data assimilation for more effective and efficient modeling.
- Abstract（参考訳）: 本稿では,個々の氷片をノードが表現し,衝突を含む物理的相互作用をモデル化する,海氷の自然グラフ構造を利用した,グラフニューラルネットワーク(GNN)を用いた新しい海氷モデリング手法を提案する。
この概念は、基本的なステップとして1次元のフレームワーク内で開発されている。
従来の数値法は有効ではあるが、計算集約的でスケーラビリティが低い。
提案するモデルでは, GNNを利用して, 各種条件下での海氷力学を効果的に学習し, 予測するためにデータ同化(DA)技術を統合する。
本手法は, 観測データ点と無観測データ点との合成データを用いて検証し, 精度を損なうことなく軌道のシミュレーションを加速することを示した。
この進歩は、限界氷帯(MIZ)で予測するより効率的なツールを提供し、機械学習とデータ同化を組み合わせた、より効率的で効率的なモデリングの可能性を強調している。
関連論文リスト
- Prediction of Sea Ice Velocity and Concentration in the Arctic Ocean using Physics-informed Neural Network [0.0]
我々は,海氷の物理知識を機械学習モデルに統合するための物理情報ニューラルネットワーク(PINN)戦略を開発した。
我々のPINNモデルは、海氷速度(SIV)と海氷濃度(SIC)の予測において、完全なデータ駆動モデルよりも優れている。
PINNのアプローチは、特に融解期と早期凍結期および高速で動く氷地域におけるSIC予測を改善する。
論文 参考訳（メタデータ） (2025-10-20T17:10:01Z) - A physics informed neural network approach to simulating ice dynamics governed by the shallow ice approximation [0.0]
我々は,氷床力学をシミュレーションする物理情報ニューラルネットワーク (PINN) を開発した。
複雑な自由境界条件のキャプチャにおけるモデルの有効性を検証する。
このアプローチを現実の環境で説明するために、2000年と2018年の航空物理データを取り入れて、デヴォン氷冠の力学をシミュレートする。
論文 参考訳（メタデータ） (2025-04-10T21:32:03Z) - 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) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-08-25T07:15:58Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z)
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。