介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展,同时探讨了在此领域中的一些挑战。
Nov, 2019
本文综述了机器学习和物理科学之间的接口,包括机器学习的基本概念,如何用统计物理学理解机器学习方法,机器学习方法在粒子物理学、宇宙学、量子物理学、量子计算和化学、材料物理学中的应用,以及加速机器学习的新型计算架构的研究和开发。
Mar, 2019
该文章主要讲述了机器学习在流体力学中的应用历史、现状和未来机会。通过机器学习的方法,可以从大量数据中提取有关流体力学的知识,进而优化流体力学模型,并自动化流体流动控制和优化相关任务。
May, 2019
本研究提出了一个基于机器学习的数据生成框架,旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤:首先,我们使用有限的模拟数据训练监督预测模型来预测模拟结果;然后,我们使用强化学习代理来生成准确的、类似于模拟的数据,从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究:一个关注地震破裂物理,另一个关注新材料开发,证明了所提出框架的有效性。
May, 2023
机器学习在科学计算中已经成为核心技术,能够用于加速直接数值模拟,提高湍流封闭建模,并发展优化的降阶模型,在计算流体力学等领域有着广泛的应用和潜在影响,但也需要考虑一些潜在限制和问题。
Oct, 2021
介绍现代机器学习在粒子物理领域的应用,重点关注大型强子对撞机中的信号 / 背景识别任务,包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。
Mar, 2021
该论文综述了机器学习方法在核物理研究中的广泛应用,推动了科学发现和社会应用的进步。
Dec, 2021
采用端到端深度学习方法,提高了计算流体动力学中建模二维湍流流动的逼近精度,在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度,具有 40-80 倍的计算速度加速,并保持稳定性,可适用于不同强度和涡量值的流量。
Jan, 2021
使用机器学习模型分析含有尘埃的等离子实验中的粒子运动轨迹,得出了符合物理约束条件的力学定律,揭示了新的尘埃等离子物理学,表明机器学习在多体系统中引导科学发现的新途径。
Oct, 2023
通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示,我们构建了一个小尺度湍流模型进行研究,重点探讨了机器学习与物理学的相结合,以及在将机器学习与微分方程相结合时存在的问题。
Jan, 2022