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
基于图神经网络的代理模型在模拟时变偏微分方程方面具有计算效率和泛化能力,并有效替代传统的复杂求解器。
Aug, 2023
基于网格的数值求解器,代理模型,预测 - 校正方法,基于图机器学习,分布式模型。
Jul, 2023
该研究提出一种基于神经投影场的方法,利用阴影来学习场景的神经表示,实现了用稀疏图像信号估计几何信息的目的,并且证明了该方法的泛化能力,并且在与 NeRF 等其他方法的比较中体现出更好的性能。
Mar, 2022
在本研究中,我们提出了一种新颖的方法来减轻 DeepONets 训练数据生成的计算负担,通过使用高斯过程回归 (GPR) 来生成输出场,然后利用有限差分技术计算输入源场,从而显著减少了与 DeepONet 的训练数据集生成相关的计算成本。该方法可以推广到其他操作学习方法,并适用于多种边界值问题,以验证这种方法。
Feb, 2024
这篇论文提出了一种名为 DeepShadow 的方法,它可以通过光度立体阴影图从自身和投影的阴影中恢复深度图和表面法线,从而进行 3D 重建。该方法不需要预训练或昂贵的标记数据,在推理时进行优化,使用神经网络进行 3D 形状重建。
通过使用自然阴影图像基础模型以及强制调制模块,此研究通过相关数据集的实验证明了提出的阴影生成模型在图像合成领域具有卓越的性能。
Mar, 2024
神经角色模型、阴影、阴影模型、高斯密度代理、神经渲染模型
Jan, 2024
通过图神经网络模拟器完全替代等离子体物理学动力学模拟器的可能性进行探索,着重于这一类替代模型,因为它们的消息传递更新机制与传统物理求解器更新机制相似,并且可以将已知的物理先验知识应用于图构建和更新,我们展示了模型学习了一维等离子体模型的运动动力学,这是当代等离子体动力学模拟代码的前身,并可以模拟等离子体热平衡、热平衡周围的静电扰动以及快速片上的阻力和朗道阻尼等多种已知的等离子体动力学过程,我们通过运行时间、守恒定律和关键物理量的时间演化来比较与原始等离子体模型的性能,同时讨论了对于高维等离子体替代模型的可能方向和模型的限制。
Oct, 2023
提出 GraphSplineNets 深度学习方法,在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性,包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。