Graph Neural Network as Computationally Efficient Emulator of Ice-sheet and Sea-level System Model (ISSM)

该文介绍了冰盖和海平面系统模型（ISSM），该模型采用有限元和细网格适应技术，提供了与冰盖动力学相关的Stokes方程的解决方案。然而，由于其有限元方法仅与中央处理器（CPU）兼容，因此ISSM在进一步节省计算时间方面存在限制。因此，通过利用图形处理单元（GPU），我们设计了一个图形卷积网络（GCN）作为ISSM的快速模拟器。GCN使用在Pine Island Glacier（PIG）中进行的20年瞬变ISSM模拟进行训练和测试。GCN重现了冰厚度和速度，相关系数大于0.998，表现优于传统的卷积神经网络（CNN）。此外，GCN的计算速度比基于CPU的ISSM建模快34倍。基于GPU的GCN模拟器使我们能够在更快的计算时间内以高保真度预测PIG在不同融化速率情景下的未来变化。

本论文旨在通过设计一个图卷积网络（GCN）作为ISSM的快速模拟器，以解决ISSM使用有限元方法时受限于CPU的计算时间经济性的问题。

本论文的关键思路是通过利用GPU，设计一个GCN模型来代替ISSM模型进行快速模拟，从而提高计算效率。

本论文使用了20年的ISSM模拟数据，GCN模型在预测冰川厚度和速度方面的相关系数大于0.998，比传统CNN模型表现更好。此外，GCN的计算速度比基于CPU的ISSM模型快34倍。本论文的实验设计详细，使用的数据集和代码开源，可供进一步研究使用。

在这个领域中，最近的相关研究包括《Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model》和《Deep Learning for Extreme Weather Prediction: A New Benchmark and A New Model》。