标签导向的变分自编码器在层流流动中的形状优化
通过使用物理感知的变分自动编码器,我们开发了一种新颖的翼型参数化方法,该方法明确地将翼厚和弯曲分布的生成分开,从而改善了可行性,同时将其潜在维度直接与翼型的几何特征对齐,显著增强了直观性。通过进行广泛的比较研究,我们展示了我们的方法的有效性。
Nov, 2023
本文提出了一种使用 beta-VAE 和 transformer 联合学习载于流体速度和时间动态的短小且近似正交的约简模型,可用于流体力学、气象预测、结构动力学或生物医学工程等其他领域的建模分析。
Apr, 2023
使用两层自编码器参数化的流式生成模型,通过对目标分布从有限数量 n 的样本进行训练,提供了问题的尖锐端到端分析,包括对学习速度场的紧密闭合形式表征以及对相应生成流的尖锐描述,最终证明该速度场的收敛速度是贝叶斯最优的。
Oct, 2023
提出了一种物理增强的变分自编码器,利用高维的图像数据可以学习低维的特征向量,并在学习中加入了物理学中的先验知识,从而提高了自编码器的效率和预测结果的物理正确性。
May, 2023
该论文探讨了如何将物理先验知识加入数据驱动模型,提高模型的质量和稳定性,并以 Lyapunov 分析为视角,通过研究液体流动预测的典型问题,验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。
May, 2019
本文提出一种将自动化化学设计概括为使用贝叶斯优化过程,其中包含使用变分自动编码器的潜在空间;进一步将搜索过程转化为约束贝叶斯优化问题,以解决一些根据潜在空间的变分自动编码器所引起的路径问题并且表明其可以在众多生成任务中使用。
Sep, 2017
研究中,我们介绍了一种基于机制的增强学习框架,用于空气动力学翼型形状优化,借助于稳定性较强的双延迟深度确定性策略梯度算法,解决了涉及流体动力学的形状优化的复杂问题。该算法支持翼型形状优化任务,实现了更有针对性和有效的方法。
Mar, 2024
传统的偏微分方程求解器计算成本较高,这促使了更快速方法(如减小的秩模型)的开发。我们提出了 GPLaSDI,一种混合深度学习和贝叶斯减小的秩模型。GPLaSDI 在完全秩模型数据上训练自编码器,并同时学习控制潜在空间的简化方程。这些方程与高斯过程插值,即使用有限的 FOM 求解器访问,也能进行不确定性量化和主动学习。我们的框架能够在流体力学问题上实现高达 100,000 倍的加速和少于 7% 的相对误差。
Dec, 2023