Neues Graph Neural Network beschleunigt Simulation von Meereis‑Floëchen

Ein neues arXiv‑Veröffentlichung (2602.16213v1) präsentiert einen innovativen Ansatz zur Modellierung von Meereis, bei dem Graph Neural Networks (GNNs) eingesetzt werden. Durch die natürliche Graphstruktur des Eises – Knoten stellen einzelne Eisschichten dar, Kanten modellieren physikalische Wechselwirkungen, einschließlich Kollisionen – wird ein neues Modell namens Collision‑captured Network (CN) entwickelt.

Der Ansatz wird zunächst in einem eindimensionalen Rahmen als Basisstudie umgesetzt. Im Vergleich zu herkömmlichen numerischen Verfahren, die zwar zuverlässig sind, aber hohe Rechenkosten verursachen, nutzt das GNN die Fähigkeit, komplexe Interaktionen effizient zu lernen. Durch die Integration von Datenassimilation (DA) kann das CN-Modell dynamische Eisdaten unter verschiedenen Bedingungen erlernen und vorhersagen.

Die Validierung erfolgte mit synthetischen Datensätzen, sowohl mit als auch ohne beobachtete Punkte. Die Ergebnisse zeigen, dass das Modell die Simulation von Trajektorien deutlich beschleunigt, ohne die Genauigkeit zu beeinträchtigen. Dies eröffnet einen effizienteren Weg zur Vorhersage in marginalen Eisregionen (MIZ) und unterstreicht das Potenzial, maschinelles Lernen mit Datenassimilation zu kombinieren, um die Modellierung von Meereis noch effektiver zu gestalten.