使用深度神经网络模拟多尺度问题的新方法，通过利用神经网络时间步进器的分层学习，自适应时间步长以近似不同时间尺度上的动力学系统流动图，与固定步长神经网络求解器相比，该方法在较少的计算时间内实现了业界领先的性能。

Nov, 2023

本文提出了一种基于深度神经网络的多尺度时间步进方案来数值模拟非线性微分方程的系统，解决了多时间尺度模型的数值模拟问题，同时提高了模拟的准确性和计算效率。

Aug, 2020

本文介绍了一种利用活跃学习方法进行局部精细模拟指导宏观流体动力学的新方法，以解决计算科学中存在的数值模拟需求和计算效率之间的挑战。

Sep, 2022

本文介绍了基于传递算子及其伴随数值技术的、用于分析多尺度动力学系统的坐标无关方法。我们提出了一种测试任意动力学系统是否具有多尺度行为并估计时间尺度分离的方法。对于具有这种行为的系统，我们建立了分析快速动态并提取系统慢变量、以及用大时间步长进行准确模拟这些慢变量的技术。我们通过数值例子说明了我们的方法，并展示了所减少的慢动态如何忠实地表现了不依赖于坐标的全动态的统计特性。

Oct, 2013

通过引入学习的多连续介质模型，提出了一种新颖的方法来改进多尺度问题中单连续介质模型的准确性，并通过涉及线性和非线性流方程的数值实验明显改善了模拟结果。

Mar, 2024

本文提出了一种基于数据驱动的普适专家模块，即光流估计组件，用于捕捉广泛的实际物理过程的演化规律；通过精细的物理流程设计和神经离散学习，增强了局部洞察力并获得潜在空间中的重要特征。实验结果表明，与现有的基线方法相比，所提出的框架取得了显著的性能提升。

Feb, 2024

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

MultiScaleGNN 是一种新型的多尺度图神经网络模型，用于学习推断非稳态连续力学，可以推断具有不同尺度空间分辨率的系统状态，推断速度比传统方法快两至四个数量级。

Jun, 2021

通过解耦方法，本文提出了一种用于表征多尺度动力学的新求解模式，该模式通过将大尺度动力学独立建模并将小尺度动力学视为其受控系统，在正交基函数空间中开发了一种谱 PINN 来逼近小尺度系统。该方法的有效性通过广泛的数值实验得到了证明，包括一维 Kuramot-Sivashinsky (KS) 方程，二维和三维 Navier-Stokes (NS) 方程，展示了其在解决流体动力学问题方面的多功能性。此外，我们还深入研究了该方法在更复杂情况下的应用，包括非均匀网格，复杂几何，带有噪声的大尺度数据和高维小尺度动力学的问题。对于这些情景的讨论有助于全面了解该方法的能力和局限性。这种新的解耦方法简化了时空系统的分析和预测，其中可以通过低计算要求获取大尺度数据，然后通过谱 PINNs 捕捉到具有改进的效率和准确性的小尺度动力学。

Feb, 2024

这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法，用于从数据中识别非线性动态系统，以此预测未来状态和识别吸引基。在多个基准问题中，论文证明了该方法的有效性，包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。

Jan, 2018