用于ice sheet模拟的KAN-GCN：将Kolmogorov-Arnold网络与图卷积网络结合

我们引入KAN-GCN，一个快速且精确的ice sheet建模模拟器，将Kolmogorov-Arnold网络（KAN）置于图卷积网络（GCN）之前作为特征级校准器。KAN前端应用可学习的二维 warping和线性混合步骤，改进特征条件和非线性编码，同时无需增加消息传递深度。我们采用该架构提高用于数值ice sheet模型的模拟器性能。该模拟器使用36个熔融率仿真进行训练和测试，包含Pine Island Glacier, Antarctica的3种网格大小设置。在2至5层架构中，KAN-GCN匹配或超过纯GCN和MLP-GCN基线的精度。尽管有少量参数开销，KAN-GCN通过用节点级变换取代一个边缘消息传递层，提高了粗网格上的推理吞吐量；只有最细网格显示轻微成本。总体而言，KAN优先设计在大规模瞬态情景扫描中提供了有利的精度与效率权衡。