Jul, 2023

大型 CFD 网格上图机学习模型的多 GPU 训练方法

PDF
TL;DR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。
mesh-based numerical solverssurrogate modelspredictor-corrector approachgraph-based machine learningdistributed model
发现论文，激发创造
  • 学习增强可扩展代理以用于网格物理学的科学计算算法

    本文讲解了如何通过域分解方案将 MeshGraphNets（MGN）应用于具有百万节点的 3D 网格，进而生成计算流体力学（CFD）模拟结果，并通过高阶数值积分技术提高 MGN 的准确性和训练时间，为其在实际应用中的大规模使用提供了有效的路径。

    Apr, 2023

  • 揭密 CFD 模拟机器学习代理的数据需求

    通过机器学习建立替代模型来加速计算流体力学模拟，使用温度预测在车舱内的分布作为案例，并探讨预测性能与训练数据集规模的关系，结果显示可以在大大减少训练数据集的情况下保证高精度和稳定性。

    May, 2022

  • 基于物理约束深度学习的流体动力学代理建模

    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

  • 大规模集成运行中的深度替代模型的高吞吐量训练

    最近几年，深度学习方法在加速数值求解器方面取得了突破，提供了对物理世界的忠实但计算密集型的模拟。提出了一个开源框架，能够从大量集合运行的模拟中在线训练这些模型。该框架通过利用多层并行性生成丰富的数据集，避免了 I/O 瓶颈和存储问题，并通过直接流式传输生成的数据。训练储备池减轻了流式传输的固有偏差，同时最大化了 GPU 吞吐量。实验证明，采用该方法，在 2 小时内能够训练 8TB 的数据，并且准确度提高了 47％，批处理吞吐量增加了 13 倍，相比传统的离线过程。

    Sep, 2023

  • 基于深度学习的参数化偏微分方程代理模型：通过图神经网络处理几何变化

    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

  • 机器学习加速计算流体力学

    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

  • 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

  • 图卷积网络在多相流和多孔介质中的仿真中的应用

    基于图卷积网络（GCN）的代理模型用于近似多相流体动力学在多孔介质中的时空解，并在不规则域几何和非结构化网格上具有良好的泛化能力。

    Jul, 2023

  • 基于图神经网络的城市排水网络实时水力预测的代理模型

    基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题，并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中，相较于基于神经网络的模型和基于物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。

    Apr, 2024

  • 基于图神经网络的增强式专家引导网格生成的一致性预测

    该研究提出了一种基于图神经网络和专家指导的机器学习方案，用于自动生成飞机模型的计算流体动力学网格，通过引入一种新的三维分割算法、预测从三维网格到 CAD 表面的方法以及边缘统计保证和鲁棒的不确定性量化和处理，实现了避免精细度不足所导致的计算流体动力学网格生成失败，并通过真实案例研究证明了与专家生成网格质量可比的自动生成网格的有效性，使求解器能够收敛并产生准确结果。此外，通过与自适应重网格方法的对比，我们发现我们的方法在仿真过程中的速度是后者的 5 倍。

    Aug, 2023