提出了一种基于深度学习的新型超分辨率框架MeshfreeFlowNet，它可以在低分辨率下生成连续（无网格）的时空解，并可以采样真实的时空分辨率，以及在其完全卷积编码器的支持下对任意大小的时空域进行固定输入的训练，MeshfreeFlowNet在Rayleigh-Benard对流问题中的湍流流动超分辨率任务上表现出众，并且可以高效地扩展到大型集群上，最高可在128个GPU上达到96.80％的扩展效率，训练时间不到4分钟。
May, 2020
通过介绍一个新的数据集EAGLE和新的网格转换器，利用图形神经网络结构分析非静态场景下的不稳定流体动力学问题，解决了Navier-Stokes方程的数值模拟和积分的计算复杂度，同时在现有合成和实际数据集上表现出良好性能。
Feb, 2023
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
我们提出了SURF，这是一个用于测试学习图形化流体模拟器的推广能力的基准，通过深入研究两种最先进的图形化模型，我们在实证上证明了SURF的适用性，并揭示了它们的推广能力。
Oct, 2023
使用基于图卷积神经网络（GCN）和U-Net架构的模型，在非结构网格上识别计算流体动力学（CFD）结果中的涡旋，并通过优化输入集、对比卷积神经网络模型以及评估GCN模型的性能来验证方法的适用性。
Nov, 2023
使用图神经网络的可解释微调策略对基于网格的流体动力学建模进行研究，以提高其可预测性和解释性，并通过正则化过程识别与预测错误相关的图节点。
本研究拟定了两种新的几何表示方法：最短向量（SV）和方向综合距离（DID），并提出了有限体积特征（FVF）和剩余训练的使用，可以有效地降低当前基于图神经网络的方法的预测误差高达41％。
我们提出了一种新颖的机器学习方法，用于在流体力学中应用数据同化，基于反问题优化与图神经网络模型。
基于图神经网络的新方法用于解决有限元方法中网格自适应的问题，通过直接最小化网格点位置对有限元解误差的训练，取得了非常高效和有效的在线自适应效果，同时在测试问题中优于传统和先前的机器学习方法，特别是在减少有限元解误差的同时保持了先前机器学习工作中观察到的显著加速。
Jul, 2024
本研究解决了计算流体动力学中的精度和效率问题，提出了一种结合自注意力和消息传递的新型图神经网络模型，实现了在著名圆柱流动基准测试上RMSE减少15%的成果。此外，基于自注意力的动态网格修剪技术与自监督训练方法结合使用，进一步提升了整体性能。研究结果展示了图神经网络在复杂流体模拟中的潜在影响。
Sep, 2024