Graph Neural Networks for Emulation of Finite-Element Ice Dynamics in Greenland and Antarctic Ice Sheets

要約

数値モデルは物理法則に基づいて氷床力学に対する正確な解を提供しますが、偏微分方程式を解くための計算需要の増大を伴います。
近年、畳み込みニューラル ネットワーク (CNN) がこれらの数値モデルの統計エミュレータとして広く使用されています。
ただし、CNN は規則的なグリッド上で動作するため、有限要素数値モデルの洗練されたメッシュと計算効率を表現することはできません。
したがって、この研究では、CNN の代わりに、等変グラフ畳み込みネットワーク (EGCN) を氷床力学モデリングのエミュレーターとして採用します。
EGCN は、グリーンランドのヘルハイム氷河と南極のパインアイランド氷河における氷の厚さと速度の変化を、それぞれ 260 倍と 44 倍高速な計算時間で再現します。
従来の CNN やグラフ畳み込みネットワークと比較して、EGCN は、グラフの平行移動と回転に対する等分散を維持することにより、速い氷流付近の厚さ予測において優れた精度を示します。

要約(オリジナル)

Although numerical models provide accurate solutions for ice sheet dynamics based on physics laws, they accompany intensified computational demands to solve partial differential equations. In recent years, convolutional neural networks (CNNs) have been widely used as statistical emulators for those numerical models. However, since CNNs operate on regular grids, they cannot represent the refined meshes and computational efficiency of finite-element numerical models. Therefore, instead of CNNs, this study adopts an equivariant graph convolutional network (EGCN) as an emulator for the ice sheet dynamics modeling. EGCN reproduces ice thickness and velocity changes in the Helheim Glacier, Greenland, and Pine Island Glacier, Antarctica, with 260 times and 44 times faster computation time, respectively. Compared to the traditional CNN and graph convolutional network, EGCN shows outstanding accuracy in thickness prediction near fast ice streams by preserving the equivariance to the translation and rotation of graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google