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。
Feb, 2024
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
基于图神经网络的物理受限混合模型能够通过学习浅层冰层的厚度信息,预测深层冰层的厚度,并在这方面表现出优于当前非归纳或非物理模型的性能。
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
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
本文提出一种利用自适应递归图卷积网络的机器学习模型,通过使用空气激光雷达数据中近年来积雪量的预测,预测深层冰层的历史积雪量,以研究气候趋势和精准预测未来的气候和降水情况。我们发现,相比于之前的模型以及等价的无时间、无几何形态和非自适应模型,我们的模型表现更好、更一致。
Jun, 2023
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
使用图网络和图卷积有限差分方法来解决参数化设置下具有复杂流场的流动问题,与传统计算流体力学求解器相比,该方法在训练效率和准确性上都有所提升。
基于几何深度学习的时态图卷积网络(GCN)用于降水预报,通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵,并通过 GCN 层对空间关系进行优化,并使用不同核长度的一维卷积提取时间信息,最终结果通过邻域信息作为辅助输入层来改善,实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性,从而降低误差度量。
Sep, 2023
通过结合经典数值解法和物理感知框架的方法,本研究在三维非规则几何体上测试了基于图神经网络的解决偏微分方程问题的可行性。
Oct, 2023