Nov, 2020

深度 M&M 网络用于高超声速应用：通过神经网络逼近算子预测正常激波背后的耦合流动和有限速化学

PDF
TL;DR使用深度学习技术中的 DeepONet 神经网络表征化学反应的非平衡状态，并提出一种快速计算较为复杂的多物理和多尺度问题的方法，即采用少量的状态变量的稀疏测量数据快速集成到深度学习算法中进行计算。
computational fluid dynamicsneural networkmultiphysicschemical reactionsefficient approach
发现论文，激发创造
  • DeepM&Mnet：基于神经网络操作符逼近的电致对流多物理场推断

    提出了一个新的数据同化框架 DeepM ＆ Mnet 来模拟多物理和多尺度问题，其速度比标准数值方法快得多，利用预训练的神经网络 DeepONets 作为构建模块，并形成多物理解决方案的约束条件。

    Sep, 2020

  • RiemannONets：用于 Riemann 问题的可解释神经操作器

    使用神经算子对压力跳变（高达 $10^{10}$）的可压缩流中遇到的 Riemann 问题进行求解，通过简单的修改 DeepONet 使其在精确性、效率和稳健性方面取得显著效果，从而实现对实时预测 Riemann 问题的非常精确的解决方案。

    Jan, 2024

  • 一个高级的受物理启发的神经算子用于高度非线性系统的全面设计优化：航空航天复合材料加工案例研究

    该论文介绍了一种针对复杂系统和多输入函数的先进物理信息 DeepONet 模型，通过引入非线性解码器、课程学习和域分解等架构增强和有效训练策略，该模型在高维设计空间中具有显著提高的准确性，比基本物理信息 DeepONet 模型提升了两个数量级。它在广泛的设计空间中具有零样本预测能力，成为加速复合材料工艺设计和优化的强大工具，在其他工程领域具有强非线性特征的应用具有潜在的应用价值。

    Jun, 2024

  • CFDNet: 一种基于深度学习的流体模拟加速器

    本文介绍了将 CFD 和深度学习结合的 CFDNet 框架，用于加速雷诺平均纳维 - 斯托克斯模拟的收敛，加速效果达到 1.9-7.4 倍。

    May, 2020

  • 受限空气动力学数据集的快速神经网络预测

    本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

    Jan, 2019

  • 使用 DeepONets 加速燃烧化学反应框架

    通过 DeepONets，我们提出了一种基于燃烧化学加速方案，可以实现高效的化学加速，该方案在氢氧化反应到更复杂的 n - 十二烷高温和低温氧化反应中得到了证明。

    Apr, 2023

  • 神经天体物理风模型

    通过在耦合的普通微分方程中嵌入深度神经网络来实现非线性反问题的机械可解释性的发现工具，从而在没有先验知识的情况下，稳健地发现热超新星驱动的银河风的大量动力学和热力学特性，其中包括卷起的冷云和非球形的射流几何形状。

    Jun, 2023

  • 面向物理学信息的深度学习在湍流流场预测中的应用

    使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

    Nov, 2019

  • PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

    该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

    Feb, 2019

  • 利用物理信息的深度神经网络学习参数偏微分方程的解算子

    本文提出了一种被称为物理学知识不同 DeepONets 的新模型类，通过使用自动差分在模型训练期间施加软惩罚约束来实现重力定律，其将 DeepONet 模型输出偏向于确保物理一致性，进而显著提高 DeepONets 的预测准确性，并大大减少了大型训练数据集的需求。

    Mar, 2021