ICLRMay, 2023

多分辨率物理模拟的可控适应学习

PDF
TL;DR提出了一种全深度学习的代理建模方法，名为 LAMP，基于图神经网络进行前向建模和空间精度升级策略的学习。该方法通过加权误差和计算成本的目标函数进行优化，从而可以在推断时自适应地处于误差和计算成本的平衡点，实现了在多分辨率动态系统中的性能提升，并在非线性偏微分方程和网格模拟方面取得了优越的结果。
multi-resolution dynamicsdeep learning-based surrogate modelspatial refinementcomputational costadaptive mesh refinement
发现论文，激发创造
  • 自适应学习有效动态：适应复杂系统的实时在线建模

    提出一种名为 AdaLED 的新型系统框架，以自动编码器为主要工具，利用概率递归神经网络进行时间步进，通过在线训练不断改进，建立预测模型从而实现大规模模拟的高速运行和在线适应性学习，应用在 Van der Pol 振荡器，2D 反应扩散方程和 2D Navier-Stokes 圆柱流中，具有较高的准确性和鲁棒性。

    Apr, 2023

  • 基于物理信息的扩散反应系统局部学习

    本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

    May, 2023

  • 通过学习其有效动力学实现复杂系统的多尺度模拟

    我们提出了一种通过使用深度学习自编码器模型，将大规模模拟和降阶模型结合起来，以有效地预测各种复杂系统的动态特性的算法，该算法在验证中显示出可行性，并可降低两个数量级的计算成本。

    Jun, 2020

  • 多尺度神经算子：学习快速且与网格无关的 PDE 求解器

    利用神经算子的混合模型有效缩短了气候、化学或天体物理领域的数值模拟所需的计算成本、提升了模型预测精度、并提供了更灵活的可靠的参数化方法。

    Jul, 2022

  • 可解释学习多尺度系统的有效动力学

    提出了一种可解释学习有效动力学（iLED）框架，通过融合 Mori-Zwanzig 和 Koopman 算子理论，实现与循环神经网络模型相当准确度的建模和仿真，具备可解释性，适用于解决高维度多尺度系统。

    Sep, 2023

  • 多层次代理学习结构动力学在使用图卷积神经网络的汽车碰撞安全中

    提出了一种多层次框架，用于在不同分辨率级别上为碰撞模拟构建多个代理模型，以适应不同的硬件要求和增加的精度。

    Feb, 2024

  • 使用图嵌入网络学习基于网格的仿真

    MeshGraphNets 是一种利用图神经网络学习网格化仿真的框架，具有自适应性和高效性，能够应用于广泛的物理系统仿真任务。

    Oct, 2020

  • 自适应分区的深度学习方法

    本研究提出一种监督深度学习适应性分区方法，用于建模可压介质中 1D 激波的传播，它能够准确地捕捉域内的激波，生成适应性非均匀网格，可在降低计算时间的同时保证计算时空间离散化的准确性。

    Dec, 2022

  • 学习的粗模型用于高效湍流模拟

    训练得到的模拟器可以在低空间和时间分辨率下捕捉高分辨率下产生的湍流动力学，我们的模型在各种科学相关度量中比传统的数值解算器更准确地模拟了湍流动力学。

    Dec, 2021

  • GPLaSDI：基于高斯过程的可解释潜变量动力学辨识通过深度自编码器

    通过使用高斯过程 (Gaussian process) 对潜空间的 ODE 插值，我们提出了一种新颖的估计固有非侵入式自由度的模型来数值求解带有不确定性的偏微分方程 (partial differential equations)。这个方法在 Burgers 方程、等离子体物理学的 Vlasov 方程以及上升热泡问题上取得了 200 到 100,000 倍的速度提升，相对误差最高为 7%。

    Aug, 2023