图神经网络作为冰川和海平面系统模型的计算高效模拟器
机器学习
2024-07-02 v1 人工智能
数值分析
数值分析
摘要
冰川和海平面系统模型(ISSM)通过采用有限元方法和细化网格自适应提供了与冰川动力学相关的斯托克斯方程的解。然而，由于其有限元方法仅兼容中央处理器(CPU)，ISSM 在进一步节省计算时间方面存在局限。因此，利用图神经网络(GCN)的 GPU 优势，我们设计了一个快速模拟器来模拟 ISSM。使用 Pine Island Glacier(PIG)的20年瞬态 ISSM 模拟数据对 GCN 进行训练和测试。GCN 对冰层厚度和速度的相关系数大于0.998，超越了传统卷积神经网络(CNN)。此外，GCN 比基于CPU的 ISSM 模型快34倍。基于GPU的 GCN 模拟器使我们能够在不同的熔融率情景下，以高保真度和 much 更快的计算时间预测 PIG 将如何变化。
引用
@article{arxiv.2407.01464,
title = {Graph Neural Network as Computationally Efficient Emulator of Ice-sheet and Sea-level System Model (ISSM)},
author = {Younghyun Koo and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2407.01464},
year = {2024}
}
备注
5 pages, 4 figures, submitted to the 2024 IEEE International Geoscience and Remote Sensing Symposium. arXiv admin note: text overlap with arXiv:2402.05291