論文の概要: An Adaptive-Horizon Graph Neural Operator for coupled surrogate morphodynamic modelling

• arxiv url: http://arxiv.org/abs/2610.22432v1
• Date: Thu, 15 Oct 2026 07:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.588318
• Title: An Adaptive-Horizon Graph Neural Operator for coupled surrogate morphodynamic modelling
• Title（参考訳）: 結合した代理形力学モデリングのための適応水平グラフニューラル演算子
• Abstract要約: 本研究では,グラフ演算子学習問題としてベッドの進化を定式化する適応-水平グラフニューラル演算子 (AH-GNO) を提案する。 このフレームワークはBumpとYenのベンチマークとフィールドスケールのアプリケーションで評価されている。 以上の結果から, AH-GNOは, 床形態の移動, 屈曲スケールの侵食, 沈着, 局所的なベッド調整といった主なパターンを再現することがわかった。
• 参考スコア（独自算出の注目度）: 6.258080949120291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Morphodynamic simulations require repeated coupling between hydrodynamic solvers, sediment transport modules, and bed updating. For long duration, multi-scenario simulations on large unstructured meshes, such coupling is computationally demanding. This study proposes an Adaptive-Horizon Graph Neural Operator (AH-GNO) that formulates bed evolution as a graph operator learning problem from recent hydrodynamic and topographic states to predict future bed elevation increments. The model operates directly on the native unstructured meshes. The approach integrates area-weighted graph learning, historical state selection, and forecast horizon estimation, allowing the effective history length (K) and update interval (B) to vary with the evolving flow and bed state. Using Telemac2D/GAIA solutions as supervised numerical references, the framework is evaluated on the official Bump and Yen bend benchmarks and on a field-scale application (Waiho River, New Zealand). Results show that the AH-GNO reproduces the main patterns of bedform migration, bend-scale erosion and deposition, and localized bed adjustment. Across the three cases, the tested CPU-GPU deployment reduced post-training bed-update workflow time from 12~1204 s with GAIA to 0.08~3.34 s with AH-GNO. This improvement corresponds to deployment-specific accelerations of approximately 150~360 times relative to 4-core GAIA CPU configurations, and with 105~186 times gains for 20-core CPU configurations. These results suggest that, while retaining hydrodynamic feedback from TELEMAC-2D, a learned operator for bed updating can provide an efficient acceleration component for morphodynamic scenario analysis and rapid coupled simulation.
• Abstract（参考訳）: モルフォダイナミックシミュレーションでは、流体力学的解法、堆積物輸送モジュール、およびベッド更新の繰り返し結合が必要である。 長期にわたって、大規模な非構造メッシュ上でのマルチシナリオシミュレーションは、そのような結合を計算的に要求する。 本研究では,最近の流体力学および地形状態から学習したグラフ演算子としてベッドの進化を定式化した適応水平グラフニューラル演算子 (AH-GNO) を提案する。 モデルは、ネイティブな非構造化メッシュ上で直接動作する。 この手法は、地域重み付きグラフ学習、歴史的状態選択、予測地平線推定を統合し、有効な履歴の長さ(K)と更新間隔(B)を、進化するフローとベッド状態に応じて変化させることができる。 Telemac2D/GAIAソリューションを教師付き数値参照として使用し、公式BumpとYenの曲げベンチマークおよびフィールドスケールの応用(ニュージーランドのワイホ川)で評価する。 以上の結果から, AH-GNOは, 床形態の移動, 屈曲スケールの侵食, 沈着, 局所的なベッド調整といった主なパターンを再現することがわかった。 3つのケースで、テストされたCPU-GPUデプロイメントにより、トレーニング後のベッド更新ワークフロー時間はGAIAで12～1204秒からAH-GNOで0.08～3.34秒に短縮された。 この改善は、4コアのGAIA CPU構成と比較して約150～360倍のデプロイメント固有のアクセラレーションに対応しており、20コアのCPU構成では105～186倍のアップがある。 これらの結果から, TELEMAC-2Dからの流体力学的フィードバックを保ちながら, ベッド更新のための学習演算子は, 形態力学的シナリオ解析と高速結合シミュレーションのための効率的な加速成分を提供することが可能であることが示唆された。

関連論文リスト

• TWIG: A Time-Causal Wavelet Operator for Autoregressive Forecasting on Irregular Graphs [0.4252291080198684]
  静的不規則グラフ上の自己回帰代理モデリングのためのグラフネイティブニューラルネットワークであるTWIG(Time-Causal Wavelet Operator for Irregular Graphs)を紹介する。 地域拡散, 3次元地下水理, 空力流の3つの不規則領域予測問題に対するTWIGの評価を行った。
  論文  参考訳（メタデータ） (2026-09-18T21:09:59Z)
• Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
  高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。 物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。 GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
  論文  参考訳（メタデータ） (2026-04-08T16:58:14Z)
• Gradient-Enhanced Partitioned Gaussian Processes for Real-Time Quadrotor Dynamics Modeling [3.0132217482597277]
  本稿では,状態空間分割と近似によってリアルタイムな推論を実現する情報を持つ,ガウス過程(GP)について述べる。 ローターとローターの相互作用や風向などの空力効果を捉える訓練データセットを生成する。 このフレームワークは、複雑で不安定な環境でのリアルタイム空力予測と制御アルゴリズムの効率的な基盤を提供する。
  論文  参考訳（メタデータ） (2026-02-13T00:00:51Z)
• Predictive Feature Caching for Training-free Acceleration of Molecular Geometry Generation [67.20779609022108]
  フローマッチングモデルは、高忠実度分子ジオメトリを生成するが、推論中にかなりの計算コストを発生させる。 本研究は,分子幾何生成を加速する学習自由キャッシング戦略について論じる。 GEOM-Drugsデータセットの実験は、キャッシングがウォールクロックの推測時間の2倍の削減を実現することを示した。
  論文  参考訳（メタデータ） (2025-10-06T09:49:14Z)
• Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting [0.0]
  本稿では,HEC-RASを解法としてではなく,データ生成エンジンとして扱う深層学習サロゲートを提案する。 ミシシッピ川流域の67か所で訓練され、サロゲートは1年間、目に見えないホールドアウトシミュレーションで評価された。 結果は、モデルが高い予測精度を達成し、中央値の絶対ステージ誤差は0.31フィートであることを示している。
  論文  参考訳（メタデータ） (2025-07-21T13:38:54Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
  複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。 国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。 我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• 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)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)

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。