Explorable INR: An Implicit Neural Representation for Ensemble Simulation Enabling Efficient Spatial and Parameter Exploration

要約

宇宙論や海洋学などの科学的分野での高解像度のアンサンブルシミュレーションで利用できる計算能力が高まっているため、貯蔵、計算上の需要は重要な課題をもたらします。
現在の代理モデルは、各パラメーター設定にフィールド再構成全体が必要であるため、ポイントまたは領域ベースの予測の柔軟性が不足しているため、パラメータースペース探索の効率を妨げます。
物理属性分布のキャプチャと最適なパラメーター構成の特定には制限があります。
この作業では、探査を促進し、フルスケールのフィールドデータを計算せずにポイントベースの空間クエリを許可するように設計された、新しい暗黙の神経表現ベースの代理モデルであるExplorable INRを提案します。
さらに、空間探索の計算ボトルネックにさらに対処するために、統計的な要約を取得するために、探索可能なINRを通じて不確実性伝播の確率的アフィンフォーム（PAF）を利用し、既存のモデルで高価なさまざまなアンサンブル分析と視覚化タスクを促進します。
さらに、勾配降下とスケーラビリティを保証するKL発散の最小化を使用した最適化タスクとしてパラメーター探査問題を再定式化します。
空間的およびパラメーター探索のための提案されたアプローチを備えた探索可能なINRは、効果的なアンサンブル分析を提供しながら、計算コストとメモリコストを大幅に削減できることを実証します。

要約(オリジナル)

With the growing computational power available for high-resolution ensemble simulations in scientific fields such as cosmology and oceanology, storage and computational demands present significant challenges. Current surrogate models fall short in the flexibility of point- or region-based predictions as the entire field reconstruction is required for each parameter setting, hence hindering the efficiency of parameter space exploration. Limitations exist in capturing physical attribute distributions and pinpointing optimal parameter configurations. In this work, we propose Explorable INR, a novel implicit neural representation-based surrogate model, designed to facilitate exploration and allow point-based spatial queries without computing full-scale field data. In addition, to further address computational bottlenecks of spatial exploration, we utilize probabilistic affine forms (PAFs) for uncertainty propagation through Explorable INR to obtain statistical summaries, facilitating various ensemble analysis and visualization tasks that are expensive with existing models. Furthermore, we reformulate the parameter exploration problem as optimization tasks using gradient descent and KL divergence minimization that ensures scalability. We demonstrate that the Explorable INR with the proposed approach for spatial and parameter exploration can significantly reduce computation and memory costs while providing effective ensemble analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google