该论文提出了一种分布式数据范围方法,通过严格限制信息范围来预测局部属性,从而解决了深度学习架构在传输现象模拟中的不兼容问题,实验证明该方法显著加速了训练收敛并提高了大规模工程模拟的模型泛化能力。
May, 2024
应用深度生成模型通过物理学定理来传递极高复杂物理系统中的不确定性。我们构建出一个隐式变分推断公式,并顺利地运用物理学原理作为模型输出的约束条件。这让模型在面对高成本数据采集以及通常小型训练数据集的物理系统建模时具备了一种可扩展的方法来描述随机输入或观测和物理系统输出的不确定性,并以传输动态为规范示例来验证了方法的有效性。
Dec, 2018
本文利用生成对抗网络和循环神经网络结合的方式,通过无监督学习生成了一种可以模拟各种湍流雷诺数下流动的模拟数据,并与真实数据达成了一定程度上的拟合。
Aug, 2019
本文探讨了使用四种不同的深度学习网络(考虑和不考虑守恒定律的卷积神经网络,考虑和不考虑守恒定律的生成对抗网络)来训练和预测圆柱上的非稳态流场,通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度,并得到了与数值模拟结果良好一致性的预测结果。
Apr, 2018
我们通过应用一种新颖的生成对抗网络(GAN)架构到喷气图像的生成,提供了机器学习社区中生成建模与高能粒子物理中模拟物理过程之间的桥梁,并提出了一种简单的位置感知生成对抗网络。这项工作为将 GAN 用于高能粒子物理中的快速模拟提供了基础。
Jan, 2017
本文提出了一种基于深度学习的条件瓦瑟斯坦生成对抗网络方法,通过利用推断向量的先验分布和基于物理学的前向模型生成训练数据,学习推断向量的条件密度分布并生成样本,实现求解相关反问题的目的。
Jun, 2023
通过结合 U-Net-like CNN 和有限差分法领域的已建立的离散化方法,我们介绍了一种在不同几何形状中学习稳态 Navier-Stokes 方程近似解的技术,无需参数化。我们将基于物理的 CNN 的结果与基于数据的方法进行了比较,并展示了将我们的方法与基于数据的方法相结合的性能。
Aug, 2023
本文探讨了基于物理方法的生成对流层的 GAN 泛化方法,通过修改损失函数并最小化生成数据的控制方程残差,实现了对生成数据的受控制生成,并通过对比能量统计、流场形态等指标之间的差异来展示其中的优势。
Mar, 2020
本文提出了一种基于受物理约束的深度学习的代理建模方法,以替代传统的基于数值模拟的建模方法,在流体力学问题中得到了很好的应用表现。
Jun, 2019
采用神经网络参数化的物理描述框架,从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化,对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。
Sep, 2020