[論文レビュー] Digital Twin Earth -- Coasts: Developing a fast and physics-informed surrogate model for coastal floods via neural operators

Peishi Jiang, Nis Meinert+9 more|arXiv (Cornell University)|Oct 14, 2021

Meteorological Phenomena and SimulationsEarth and Planetary Sciences参考文献 17被引用数 20

ひとこと要約

本論文は、物理学に基づいたフーリエニューラルオペレーター（FNO）を用いてNEMOシミュレーションの代理モデルを構築した最初の沿岸デジタルツインを紹介している。北ヨーロッパ西部の海面高予測において、最大45倍の高速化を達成しながらも、高い正確性を維持している。この手法は周波数ドメインにおける学習された偏微分方程式（PDE）オペレーターを活用し、気候レジリエンス応用のための高速でスケーラブルかつ物理的に整合性のある沿岸洪水モデリングを可能にする。

ABSTRACT

Developing fast and accurate surrogates for physics-based coastal and ocean models is an urgent need due to the coastal flood risk under accelerating sea level rise, and the computational expense of deterministic numerical models. For this purpose, we develop the first digital twin of Earth coastlines with new physics-informed machine learning techniques extending the state-of-art Neural Operator. As a proof-of-concept study, we built Fourier Neural Operator (FNO) surrogates on the simulations of an industry-standard flood and ocean model (NEMO). The resulting FNO surrogate accurately predicts the sea surface height in most regions while achieving upwards of 45x acceleration of NEMO. We delivered an open-source extit{CoastalTwin} platform in an end-to-end and modular way, to enable easy extensions to other simulations and ML-based surrogate methods. Our results and deliverable provide a promising approach to massively accelerate coastal dynamics simulators, which can enable scientists to efficiently execute many simulations for decision-making, uncertainty quantification, and other research activities.

研究の動機と目的

• NEMOのような物理ベースの沿岸洪水モデルは1回あたり1時間以上を要し、不確実性の評価やリアルタイム予測を妨げる計算のボトル neck を解決すること。
• 最先端の機械学習技術を用いて、高速で正確かつ物理的制約のある沿岸動態の代理モデルを開発すること。
• フーリエニューラルオペレーター（FNO）を、風応力や大気圧を含む複数変数の沿岸海洋動態に拡張すること。
• 再現可能性と他のモデル・地域への拡張性を支援するオープンソースでモジュラーなプラットフォーム（CoastalTwin）を提供すること。
• マスク処理を施した陸上境界がFNOの性能に与える影響を評価し、異なる時間予測範囲における一般化能力を検証すること。

提案手法

• 北ヨーロッパ西部の1年間（2020年）の高解像度NEMOシミュレーション（7 kmグリッド）を用いてFNOを訓練。大気駆動力（MSLP、U10、V10）および水深を入力として使用。
• 水深に正規化と対数スケーリングを適用し、浅い地形特徴の感度を高めつつ、大規模構造を保持する。
• 12か月分のデータを11か月を学習用、4月2020年をテスト用に分割。FNOは大気駆動力から海面高（SSH）へのオペレーターを学習。
• 周波数ドメインでの学習をフーリエ層を用いて実施し、メッシュ不変で効率的かつ一般化可能なPDEモデリングを沿岸系に実現。
• MSEおよび1-SSIM指標を用いてFNOとUNetベースラインの性能を比較。予測の忠実度を評価するため、空間的およびスペクトル的（FFT）分析も実施。
• 再現可能性を高めるために、CoastalTwinプラットフォームを開発・オープンソース化。他のモデル・地域・代理学習手法へのモジュラーな拡張を支援。

実験結果

リサーチクエスチョン

• RQ1 FNOのような物理的制約付きニューラルオペレーターは、複数の大気駆動力および水深を含む多次元沿岸海洋動態に効果的に拡張可能か？
• RQ2 FNOは、複雑な沿岸幾何構造において、標準的なU-Netベースラインと比較して、海面高予測においてどの程度優れているか？
• RQ3 マスク処理を施した陸上境界は、特に地形的制約が強い地域において、FNOの沿岸動態予測能力にどのような影響を与えるか？
• RQ4 FNOは、現在時刻および短期予測のさまざまな時間予測範囲にどの程度一般化可能か？
• RQ5 FNOは、NEMOのような物理ベースのモデルと比較して、実世界の沿岸シミュレーションにおいて顕著な高速化を達成しつつ、高い正確性を維持できるか？

主な発見

• FNOの代理モデルはNEMOに対して最大45倍の高速化を達成。1か月分のテストシミュレーションを単一CPUコアで約2分で完了したのに対し、NEMOは約1.5時間かかった。
• FNOはMSE（0.001–0.002）および1-SSIM（0.228–0.255）の両指標でUNetベースラインを上回り、SSH動態の捉え込み精度が優れていることが示された。
• FNOはUNetよりもNEMOシミュレーションと高い空間相関を示したが、特に大洋域で顕著であった。一方、イギリス沿岸のような陸上に閉ざされた地域では性能が低下した。
• 周波数ドメイン分析から、FNOは主な動的範囲（FFTプロットの赤色中央ボックス）におけるスペクトルエネルギーをよりよく保持していることが判明。両モデルとも高周波数の沿岸特徴では性能が劣化していた。
• 過去の動的状態（例：過去のSSHや風場）を含めても、FNOの性能は顕著に向上しなかった。これは、短時間予測において現在時刻の駆動力が十分であることを示唆している。
• オープンソースのCoastalTwinプラットフォームにより、再現性が確保され、他のモデルや地域への拡張が可能となり、今後の高速かつ物理的制約付きの沿岸シミュレーション研究を支援する。