Feb, 2023

DeepOHeat: 基于算子学习的三维集成电路设计超快速热模拟

PDF
TL;DR本文提出了 DeepOHeat，一个物理感知算子学习框架，该框架可以预测带有多个参数或非参数设计配置的热方程族的温度场，从而通过更改关键设计配置（而不仅仅是一些参数）实现快速热分析和优化。实验结果表明，对于未知测试用例，经过良好训练的 DeepOHeat 可以产生精确的结果，速度比传统方法提高了 1000 倍到 300000 倍。
3d integrated circuit designthermal optimizationneural network-based thermal prediction modeldeepoheatoperator learning framework
发现论文，激发创造
  • 物理信息操作学习与有限元法的参数学习偏微分方程的融合

    利用物理知识驱动的深度学习方法在异质固体中解决参数化偏微分方程，它的关键是建立复杂的热导率分布、温度分布和热流分量之间的联系，通过固定边界条件，在这项工作中，我们独立于有限元方法等经典求解器，并通过基于离散弱形式的损失函数定义方法给出出色的结果，该损失函数是一个代数方程，大大提高了训练效率。通过将我们的方法与标准有限元方法进行基准测试，我们展示了使用训练有素的神经网络在温度和通量剖面方面进行准确且更快的预测，我们还展示了在未知情况下，与纯数据驱动方法相比，所提出的方法具有更高的准确性。

    Jan, 2024

  • 深度卷积编码器 - 解码器层次神经网络在共轭传热代理建模中的应用

    该论文介绍了一种基于深度学习的代理建模方法，DeepEDH 方法，用于计算量大的共轭热传递模型，并通过建立计算模型和使用有限元法进行求解，对冷却板冷却的电池热管理系统中的压力、速度和温度场进行建模和预测，从而验证了 DeepEDH 方法的有效性。

    Nov, 2023

  • 基于有限元的物理知情的算子学习框架用于任意域的时空偏微分方程

    我们提出了一种新颖的基于有限元的物理信息算子学习框架，用于预测由偏微分方程（PDEs）控制的时空动态。该框架利用了受有限元方法（FEM）和隐式欧拉时间积分方案启发的损失函数。通过考虑瞬态导热传导问题进行性能测试，该算子学习框架将当前时间步的温度场作为输入，预测下一个时间步的温度场。实施物理学约束的热传导方程 Galerkin 离散弱形式被用作损失函数，称为有限算子学习（FOL）。经过训练，网络成功预测了任意初始温度场的时间演化，与有限元方法解决方案相比具有较高的准确性。该框架也适用于具有异质热导率和任意几何形状的情况。FOL 的优势可以概括为：首先，训练是以无监督的方式进行的，避免了需要准备大量昂贵模拟或实验数据集的需求。相反，使用由高斯随机过程和傅里叶级数生成的随机温度模式结合恒温场作为训练数据，以覆盖可能的温度情况。其次，利用形状函数和向后差分逼近进行域的离散化，得到一个纯代数方程。这提高了训练效率，同时避免了在优化权重和偏差时耗时的自动微分过程，虽然可能会导致离散化误差。最后，由于有限元方法的插值能力，FOL 能处理任意几何形状，这对于解决各种工程应用场景至关重要。

    May, 2024

  • 具有物理知识的 DeepONets 用于参数演化方程的长时间积分

    本文提出了一种用于无配对输入输出观测的深度神经网络参数化的无穷维算子的学习框架，以实现对于参数 ODE/PDE 系统的精确长时间模拟，该方法虽然比传统数值解算法计算成本低，但可靠性更高且能够全局评估。

    Jun, 2021

  • 从随机 “Minecraft” 系统中逼近三维电子系统的温度全场演变

    利用卷积神经网络设计了具有随机位置和物理属性的三维系统，测试了在 'Minecraft' 系统下进行神经网络训练，以实现对电子系统中热扩散传导的预测。

    Sep, 2022

  • 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

  • 基于物理启发的深度网络的热图像处理

    DeepIR 是一个新的热成像处理框架，结合了精确的传感器建模和深度网络图像表示，可用于开展无需训练数据和已知黑体目标的计算机视觉任务，并采用多张图像噪声抑制和超分辨率算法，实现高质量的非均匀校正。

    Aug, 2021

  • 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

  • SciAI4Industry -- 利用深度学习解决行业规模问题中的偏微分方程 (PDEs)

    本研究介绍了一种基于 Julia 语言的分布式编程 API，该 API 可以在云上平行模拟训练数据，并展示了 PDE 问题领域分解的模型并行深度学习方法，在解决大规模 PDE 问题方面大幅提高了效率。

    Nov, 2022

  • 基于深度运算网络的代理建模的新数据生成方案

    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