Jun, 2024

利用本地奖励的深度强化学习自适应群智网格细化

PDF
TL;DR我们将自适应网格细化（AMR）作为一种协作、均质代理系统，通过迭代地分裂成多个新的代理来降低最大网格元素误差，从而提供了高效、稳定的优化，并在用户定义的分辨率下生成高度自适应网格。ASMR 在大量实验中展现了优于启发式方法和学习基准的性能，并在推理过程中在不同领域上推广，而且在更高要求的设置中产生比均匀细化快两个数量级的模拟网格。
simulating physical systemsnumerical methodsfinite element method (fem)adaptive mesh refinement (amr)adaptive swarm mesh refinement (asmr)
发现论文，激发创造
  • 自适应网格细化的 Swarm 强化学习

    使用 Swarm 强化学习及 Graph 神经网络，将自适应网格细化问题形式化为协作系统，优于传统基于误差的方法，可在复杂模拟中提高准确性和效率。

    Apr, 2023

  • 自适应网格细化的强化学习

    本研究提出一种新的有限元自适应网格细化方法，将其视为马尔可夫决策过程，并应用深度强化学习进行训练，从而解决了传统方法对瞬时误差估计的依赖问题，并通过静态函数估计和时间依赖方程等实验验证了该方法的可行性和有效性。

    Mar, 2021

  • 自适应网格细化的深度强化学习

    本文提出了一种基于部分观测马尔可夫决策过程的自适应网格细化方法，并采用深度强化学习训练策略网络，以求取高效精确的数值模拟结果。

    Sep, 2022

  • 自适应网格细化的多智能体强化学习

    本文介绍了一种 AMR 的全新游戏式拓展，使用深度多智能体强化学习算法 VDGN，解决了 AMR 的几个核心挑战，实现了错误和成本度量的全局最优解。

    Nov, 2022

  • 基于专家演示的自适应网格生成的迭代尺寸场预测

    通过协同网络和在线数据获取方案结合的方式，AMBER 将网格生成视为一种模仿学习问题，能够在推理过程中对任意新的几何形状进行高效准确的模仿，从而实现资源分配和精确模拟工程系统中的复杂物理系统。

    Jun, 2024

  • SRL 辅助的 AFM：利用监督和强化学习辅助的前沿推进法生成平面非结构四边形网格

    本文提出了一种新的计算框架，名为 “SRL-assisted AFM”，通过结合前进算法和神经网络，使用具有策略网络的神经网络来选择参考点和更新前向边界，结合监督学习和强化学习来改进网格质量。最终的强化学习神经网络可以自动为具有锐利特征和边界层的复杂平面区域生成高质量的四边形网格。

    Apr, 2023

  • 自适应四边形网格生成的强化学习：软性演员 - 评论家算法

    本文提出，实现并评估了一种基于强化学习的计算框架用于自动网格生成，通过将网格生成问题转化为马尔可夫决策过程，使用 “软玄学家” 算法对自动生成的网格进行学习，使我们能够建立一个完全自动化的网格生成系统，填补现有网格生成工具的空白。

    Mar, 2022

  • 机器学习优化的 MESHFREE 模拟参数选择方法

    通过结合机器学习和 Fraunhofer 的 MESHFREE 软件，利用数值点云在广义有限差分方法中实现复杂流动区域、移动几何体和自由表面的有效处理，本研究提供了参数优化在无网格模拟中的宝贵见解，增强了科学和工程应用的可访问性和可用性。

    Mar, 2024

  • MeshingNet：基于深度学习的新网格生成方法

    使用机器学习为出现的问题预测最佳有限元网格，从而自动生成了高质量的网格，该方法基于神经网络对标准网格生成软件进行指导。

    Apr, 2020

  • 用于智能可重构 THz MIMO-NOMA 网络的图嵌入多智能体学习

    提出了一种基于可重构智能表面技术实现的智能 THz MIMO-NOMA 通信框架，并采用分布式智能算法，完成网络中多个访问点协同优化查询的过程，通过了高定制、高效能和低延迟等测试。

    Jul, 2021