Sep, 2023

基于几何信息的大规模三维偏微分方程神经算子

PDF
TL;DR我们提出了几何信息神经算子（GINO），一种高效的方法，用于学习具有不同几何形态的大规模偏微分方程的解算器。该算子基于图和傅里叶结构，使用输入形状的有符号距离函数和点云表示来学习解算器。用于验证 GINO 方法在大规模模拟上的性能，我们生成了 3D 车辆几何形态的工业标准空气动力学数据集，雷诺数高达五百万。在这个大规模 3D 流体模拟中，传统数值方法计算表面压力的成本很高。我们成功地训练 GINO 仅使用五百个数据点来预测车身表面的压力。在成本 - 准确性实验中，与优化后的基于 GPU 的计算流体动力学（CFD）模拟器相比，GINO 的计算阻力系数速度提高了 26000 倍。在测试新的几何形态和边界条件（入口速度）组合时，GINO 相对于深度神经网络方法的误差率降低了四分之一。
geometry-informed neural operatorpartial differential equationsgraph and fourier architectureslarge-scale simulationpressure prediction
发现论文，激发创造
  • 面向物理信息的神经算子用于偏微分方程学习

    本文提出物理信息神经操作器（PINO），该方法使用现有的数据和物理约束条件来学习参数化偏微分方程（PDE）族的解算器，通过结合数据和 PDE 约束条件，PINO 成功地实现了高分辨率实例的准确性和泛化能力。

    Nov, 2021

  • 几何感知神经网络

    提出了几何信息神经网络（GINN）的概念，该网络涵盖了在几何约束下的学习、神经场作为合适的表示以及在几何任务中遇到的欠定系统的多样化解决方案生成。 GINN 公式不需要训练数据，并且可以被认为是完全由约束驱动的生成建模。 将显式多样性损失添加到减轻模式崩溃。 考虑到几何成分的连通性等多种约束，并通过莫尔斯理论将其转化为可微的损失。 通过实验证明了 GINN 学习范式在二维和三维场景中的有效性，场景复杂性逐渐增加。

    Feb, 2024

  • 基于物理信息的图卷积网络：面向复杂几何结构的通用框架

    通过结合经典数值解法和物理感知框架的方法，本研究在三维非规则几何体上测试了基于图神经网络的解决偏微分方程问题的可行性。

    Oct, 2023

  • 学习形变的傅里叶神经算子解决一般几何上的 PDEs

    本论文提出了基于深度学习的 Fourier 神经算子 (FNO) 的新框架 - geo-FNO, 用于求解偏微分方程，并可在任意几何图形上工作。该方法利用深度学习降噪算法，将不规则的物理空间映射到一个均匀的潜空间中，再应用 FNO 模型来求解偏微分方程。geo-FNO 比传统的数值求解方法快 $10^5$ 倍，比其它机器学习算法（如 FNO）的直接插值更准确。

    Jul, 2022

  • 物理信息图神经 Galerkin 网络：求解 PDE 控制的正向和反向问题的统一框架

    本研究介绍了一种新型离散 PINN 框架，基于图卷积网络和 PDE 的变分结构，能够在前向和反向设置中严格施加边界条件和吸收稀疏数据，适用于处理不规则几何形状和非结构化网格等应用领域。

    Jul, 2021

  • 基于物理信息的神经网络在转换几何和流形上的应用

    将几何变换与物理约束神经网络（PINNs）结合，通过将微分同胚作为参考域的映射并调整物理约束损失函数的导数计算，我们实现了对复杂几何和低维流形的 PINNs 的应用，从而允许在网络训练中进行直接的形状优化。通过对多个问题的示例验证，特别是在几何变化下，我们展示了该方法相比传统 PINNs 的增强灵活性。该框架为在科学和工程中基于参数化几何体上的偏微分方程（PDEs）进行高级建模铺平了道路。

    Nov, 2023

  • 动态高斯图算子：在任意离散力学问题中学习参数化的偏微分方程

    本文提出了一种名为动态高斯图算子（DGGO）的新型算子学习算法，它将神经操作器扩展到任意离散力学问题中的学习参数偏微分方程（PDEs），通过动态高斯图（DGG）核将在一般欧几里得空间中定义的观测向量映射到高维均匀度量空间中定义的度量向量，致力于解决复杂的计算域上的通用性问题。

    Mar, 2024

  • 运算符学习增强的基于物理信息的神经网络用于解决具有尖锐解的偏微分方程

    在这项研究中，我们提出了一种名为 OL-PINN 的新型框架，将 DeepONet 与 PINN 相结合来解决具有尖锐解决方案的问题，并成功解决了非线性扩散反应方程、Burgers 方程和高雷诺数下的不可压纳维 - 斯托克斯方程等问题，提高了准确性和鲁棒性，同时广泛应用于解决逆问题。

    Oct, 2023

  • 多网格张量化傅里叶神经算子用于高分辨率偏微分方程

    通过引入一种新的高效数据、可高度并行化的操作符学习方法，称为多网格张量化神经算子 (MG-TFNO)，我们解决了部分微分方程 (PDEs) 的学习解算符在高分辨率下存在的内存复杂度和数据稀缺性的限制。

    Sep, 2023

  • 使用隐式神经表示预测连续偏微分方程动态

    提出了一种新的数据驱动方法 DINo 来模拟 PDE 流场，通过 Implicit Neural Representations 在小的潜空间中独立嵌入空间观测数据，在由学习 ODE 驱动的时间中灵活处理时间和空间。DINo 可以在任意时间和空间位置外推，并且可以从稀疏的不规则网格或流形中学习，在测试时，可以推广到新的网格或分辨率。该方法在代表性 PDE 系统上的各种极具挑战的泛化场景中优于替代的神经 PDE 预测模型。

    Sep, 2022