图神经网络用于格林和南极冰盖中有限元冰动力学的仿真
机器学习
2024-06-27 v1 人工智能
数值分析
数值分析
摘要
尽管数值模型基于物理定律提供了准确的冰盖动力学解答，但它们伴随着求解偏微分方程的计算需求加剧。近年来，卷积神经网络（CNN）被广泛用作这些数值模型的统计仿真器。然而，由于CNN operate on regular grids，它们无法表示有限元数值模型的细化网格和计算效率。因此，本研究采用等价性图卷积网络（EGCN）作为冰盖动力学建模的仿真器。EGCN在格林冰盖的Helheim冰河和南极Pine Island冰河上分别以260倍和44倍的计算速度再现冰厚度和速度变化。与传统CNN和图卷积网络相比，EGCN在保持图平移和旋转等价性的同时，在快速冰流区域的厚度预测方面表现出卓越的准确性。
引用
@article{arxiv.2406.18423,
title = {Graph Neural Networks for Emulation of Finite-Element Ice Dynamics in Greenland and Antarctic Ice Sheets},
author = {Younghyun Koo and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2406.18423},
year = {2024}
}
备注
6 pages, 2 figures, submitted to the ICML 2024 Workshop on Machine Learning for Earth System Modeling