GNN-Surrogate：用于非结构化网格海洋模拟参数空间探索的分层自适应图神经网络
大气与海洋物理
2022-02-23 v2 人工智能
图形学
机器学习
摘要
我们提出了 GNN-Surrogate，一种基于图神经网络的代理模型，用于探索海洋气候模拟的参数空间。参数空间探索对于领域科学家理解输入参数（如风应力）对模拟输出（如温度）的影响非常重要。这种探索要求科学家通过运行一批计算成本高昂的模拟来穷尽复杂的参数空间。我们的方法通过一个能够准确且高效地预测模拟输出的代理模型，提高了参数空间探索的效率。具体而言，GNN-Surrogate 在给定模拟参数下预测输出场，从而使科学家能够通过用户指定的视觉映射可视化来探索模拟参数空间。此外，我们基于图的技术专为非结构化网格设计，使得在不规则网格上对模拟输出的探索变得高效。为了实现高效训练，我们生成分层图并使用自适应分辨率。我们在 MPAS-Ocean 模拟上进行了定量和定性评估，以证明 GNN-Surrogate 的有效性和效率。源代码公开于 https://github.com/trainsn/GNN-Surrogate。
引用
@article{arxiv.2202.08956,
title = {GNN-Surrogate: A Hierarchical and Adaptive Graph Neural Network for Parameter Space Exploration of Unstructured-Mesh Ocean Simulations},
author = {Neng Shi and Jiayi Xu and Skylar W. Wurster and Hanqi Guo and Jonathan Woodring and Luke P. Van Roekel and Han-Wei Shen},
journal= {arXiv preprint arXiv:2202.08956},
year = {2022}
}
备注
Accepted by TVCG Special Issue on the 2022 IEEE Pacific Visualization Symposium (PacificVis)