Aug, 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

PDF
TL;DR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。
mesh-based simulationsgraph neural networkssurrogate modelstime-dependent pdescomputational efficiency
发现论文，激发创造
  • 参数化偏微分方程的多极图神经算子

    通过构建多级图神经网络框架，解决基于深度学习的物理系统模拟和偏微分方程求解中数据格式与神经网络所需结构不匹配所带来的挑战，提出一种对于 GNN 和多分辨率矩阵核分解统一的方法，该方法可以处理所有范围的相互作用并具有线性复杂度。实验证明，这种多图网络可以学习离散化不变的 PDE 解算符并可以在线性时间内进行评估。

    Jun, 2020

  • 通过图神经网络和深度算子网络学习时变 PDE 以实现在不规则网格上的鲁棒性精度

    提出了 GraphDeepONet，一种基于 GNN 的自回归模型，能够适应 DeepONet 并有效地学习操作符，具有在不规则网格上预测解以及对时间依赖性 PDE 解进行时间外推的能力。对 GraphDeepONet 的普适逼近能力进行了理论分析。

    Feb, 2024

  • 使用消息传递图神经网络学习时变 PDE 求解器

    通过应用图神经网络和消息传递模型，我们提出了一种有效的 PDE 求解方法，通过参数化控制方程，学习领域不变特征，构建线性 / 非线性 PDE 的准确求解器。

    Apr, 2022

  • 使用图神经网络学习边界值问题的解算符

    本研究使用图神经网络和频谱图卷积设计了两种不同的时间独立偏微分方程的解算符，并使用多种形状和不均匀性的有限元素求解器的模拟数据对网络进行训练，结果发现训练不同的数据集在所有情况下都是实现良好的技术并获得广泛应用的关键。

    Jun, 2022

  • 基于减阶建模和图神经网络的混合数值方法用于非参数几何结构动力学问题的应用

    该研究介绍了一种加速复杂物理系统时间域偏微分方程数值分析的新方法，结合经典的降阶建模框架和最近引入的图神经网络，通过对具有不同数值离散化大小的高度异构数据库进行训练，可以处理非参数几何体的广泛范围，提高效率并保持合理的准确性。

    Jun, 2024

  • 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

  • 利用大规模在线学习训练深度代理模型

    该论文提出了一个开源在线培训框架，用于快速解决偏微分方程组，可以提高深度代理模型的数据多样性，对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Message Passing PDE Solver 的预测准确度分别提高了 68％、16％和 7％。

    Jun, 2023

  • 基于图神经网络的翼型设计

    本研究在深度学习的基础上，采用图神经网络对二维定常不可压纳维尔 - 斯托克斯方程在不同机翼几何形状下的解进行逼近，同时测试模型表现在体积和表面量如壁面剪切应力或等压力等的逼近性能，并推导出机翼的提升力和阻力等全局系数进行设计探索。

    May, 2023

  • 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

  • 高维随机偏微分方程深度神经网络代理

    利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

    Jun, 2018