MMFeb, 2024

用图神经网络作为快速高保真模拟器进行有限元冰盖模型建模

PDF
TL;DR本研究利用图神经网络 (GNN) 开发了快速代理模型来解决冰川动力学问题，通过使用 20 年的变动模拟数据训练和测试 3 个 GNN（图卷积网络，图注意力网络和等变图卷积网络），结果显示这些 GNN 能够以更高的准确性重建冰厚度和速度，并成功捕捉到 Pine Island Glacier 中由较高底侵蚀速率引起的冰量减少和加速。当将我们的 GNN 模拟器应用于 GPU 上时，计算时间比基于 CPU 的 ISSM 模拟快 50 倍。
ice-sheet and sea-level system modelgraph neural networksfinite element structurepine island glaciercomputational time
发现论文，激发创造
  • 图神经网络作为冰盖和海平面系统模型的计算高效仿真器 (ISSM)

    利用图形处理单元设计了一个图卷积网络 (GCN) 作为 ISSM 的快速仿真器，它在模拟冰川动力学时具有比传统卷积神经网络 (CNN) 更高的重复冰厚度和速度的相关性系数，同时计算速度比基于 CPU 的 ISSM 模型快约 34 倍，该基于 GPU 的 GCN 仿真器能够快速、高保真度地预测 Pine Island Glacier 在不同融化速率情景下的未来变化。

    Jun, 2024

  • 用于格陵兰和南极冰盖有限元冰动力学仿真的图神经网络

    数值模型、卷积神经网络、等变图卷积网络、冰川动力学和计算效率的研究。

    Jun, 2024

  • 冰立方信号分类的图神经网络

    本文提出了一种基于图神经网络的信号检测算法，将冰立方探测器阵列建模成图形，通过学习传感器间的空间坐标构建边，实现仅针对输入信号支持计算的自适应计算，并在对冰立方探测器事件分类任务中展示了其优越性。

    Sep, 2018

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 2023

  • 图元网络：自适应、结构化的计算和记忆

    本文探讨了使用图神经网络模拟没有先验图形结构的空间过程，以及通过计算优化和泛化学习输入输出关系等相关问题。

    Apr, 2019

  • 隐式图神经网络

    本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

    Sep, 2020

  • 物理信息 MeshGraphNets（PI-MGNs）：适用于任意网格的非定常和非线性模拟的神经有限元方法

    该研究论文介绍了 PI-MGNs，一种将 PINNs 和 MGNs 相结合的混合方法，用于在任意网格上快速准确地解决非稳态和非线性偏微分方程的热工过程模拟。

    Feb, 2024

  • 利用图神经网络学习断层油藏中 CO2 延展规律

    利用基于 Graph Neural Network (GNNs) 的模型，结合 MeshGraphNet (MGN) 一步 GNN 模型和基于图形的卷积长 - 短期记忆（GConvLSTM）操作复杂的非结构化网格，在模拟地下复杂断层和裂缝的 CO2 地质储存过程中，准确预测气体饱和度和孔隙压力的时间演化并展现更高的准确度和更少的时间误差积累。

    Jun, 2023

  • 基于图神经网络学习的三维颗粒流动模拟

    使用图神经网络开发了基于 GNN 的 granular flows 模拟器（GNS），成功复现了各种纵横比的柱体崩塌的整体行为，并且计算速度比高保真数值模拟器快 300 倍。

    Nov, 2023

  • 图卷积网络在多相流和多孔介质中的仿真中的应用

    基于图卷积网络（GCN）的代理模型用于近似多相流体动力学在多孔介质中的时空解，并在不规则域几何和非结构化网格上具有良好的泛化能力。

    Jul, 2023