KAN-GCN: 结合Kolmogorov-Arnold网络与图卷积网络的高精度冰盖模拟器
KAN-GCN: Combining Kolmogorov-Arnold Network with Graph Convolution Network for an Accurate Ice Sheet Emulator
AI总结：
该研究提出KAN-GCN冰盖模拟器，将KAN作为逐特征校准器置于GCN之前，在冰盖模拟任务中精度优于或持平基线，同时在粗网格下提升推理吞吐量，实现精度与效率的良好权衡。
摘要：
我们提出了KAN-GCN，一种用于冰盖建模的快速高精度模拟器，它将Kolmogorov-Arnold网络（KAN，即柯尔莫哥洛夫-阿诺德网络）作为逐特征校准器置于图卷积网络（GCNs）之前。KAN前端应用可学习的一维扭曲变换和线性混合步骤，在不增加消息传递深度的情况下改善了特征调节和非线性编码能力。我们采用该架构来提升数值冰盖模型模拟器的性能。我们的模拟器使用针对南极洲派恩岛冰川的36组融化速率模拟（含3种网格尺寸设置）进行训练和测试。在2到5层的架构中，KAN-GCN的精度与纯GCN和MLP-GCN基线相当或更优。尽管参数开销很小，KAN-GCN通过用逐节点变换替换一层逐边消息传递层，提升了较粗网格上的推理吞吐量；仅在最细网格上存在小幅成本增加。总体而言，KAN前置的设计在大规模瞬态情景扫描中实现了良好的精度与效率权衡。
英文摘要：
We introduce KAN-GCN, a fast and accurate emulator for ice sheet modeling that places a Kolmogorov-Arnold Network (KAN) as a feature-wise calibrator before graph convolution networks (GCNs). The KAN front end applies learnable one-dimensional warps and a linear mixing step, improving feature conditioning and nonlinear encoding without increasing message-passing depth. We employ this architecture to improve the performance of emulators for numerical ice sheet models. Our emulator is trained and tested using 36 melting-rate simulations with 3 mesh-size settings for Pine Island Glacier, Antarctica. Across 2- to 5-layer architectures, KAN-GCN matches or exceeds the accuracy of pure GCN and MLP-GCN baselines. Despite a small parameter overhead, KAN-GCN improves inference throughput on coarser meshes by replacing one edge-wise message-passing layer with a node-wise transform; only the finest mesh shows a modest cost. Overall, KAN-first designs offer a favorable accuracy vs. efficiency trade-off for large transient scenario sweeps.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
