GNN-SURROGATE：パラメーターのための階層的および適応的グラフニューラルネットワーク非構造化されたメッシュの海洋シミュレーションの探索

グラフニューラルネットワークベースのサロゲートモデルであるGNN-Surrogateを提案して、海洋気候シミュレーションのパラメーター空間を調査します。パラメータースペース探査は、ドメイン科学者がシミュレーション出力（温度など）に対する入力パラメーター（風力ストレスなど）の影響を理解することが重要です。この調査では、科学者が計算上の高価なシミュレーションのバッチを実行することにより、複雑なパラメータースペースを使い果たす必要があります。私たちのアプローチは、シミュレーションを正確かつ効率的に予測する代理モデルを使用して、パラメータースペース探索の効率を改善します。具体的には、GNN-Surogateは、指定されたシミュレーションパラメーターを使用して出力フィールドを予測するため、科学者はユーザー指定の視覚マッピングからの視覚化でシミュレーションパラメーター空間を探索できます。さらに、当社のグラフベースの手法は、非構造化メッシュ用に設計されており、不規則なグリッド上のシミュレーション出力の調査を効率的にします。効率的なトレーニングのために、階層グラフを生成し、適応解像度を使用します。GNN-スロゲートの有効性と効率性を実証するために、MPAS-OCEANシミュレーションで定量的および定性的評価を提供します。ソースコードは、https://github.com/trainsn/gnn-surrogateで公開されています。

We propose GNN-Surrogate, a graph neural network-based surrogate model to explore the parameter space of ocean climate simulations. Parameter space exploration is important for domain scientists to understand the influence of input parameters (e.g., wind stress) on the simulation output (e.g., temperature). The exploration requires scientists to exhaust the complicated parameter space by running a batch of computationally expensive simulations. Our approach improves the efficiency of parameter space exploration with a surrogate model that predicts the simulation outputs accurately and efficiently. Specifically, GNN-Surrogate predicts the output field with given simulation parameters so scientists can explore the simulation parameter space with visualizations from user-specified visual mappings. Moreover, our graph-based techniques are designed for unstructured meshes, making the exploration of simulation outputs on irregular grids efficient. For efficient training, we generate hierarchical graphs and use adaptive resolutions. We give quantitative and qualitative evaluations on the MPAS-Ocean simulation to demonstrate the effectiveness and efficiency of GNN-Surrogate. Source code is publicly available at https://github.com/trainsn/GNN-Surrogate.