- ICLR学习涡动力学进行流体推理和预测
提出一种新的可微旋涡质点方法,以从单个视频中推断和预测流体动力学,通过学习可变换的旋涡到速度动态映射将复杂的流体特征有效捕获在物理约束的低维空间中,并建立一个适合输入视频的流体模拟器来提供稳健,长期的未来预测。
- 约束质量最优传输
该研究介绍了限制条件下的最优输运问题,使用流体动力学方法和一系列算法来解决此问题,在机器学习和图形识别等领域得到应用。
- 利用时间注意力在网格化简空间中预测物理
本文提出一种基于图的下一步预测模型,采用了一种类 Transformer 的时序关注模型来捕捉长期的依赖关系,利用编码器 - 解码器结构来总结特征和创建系统状态的紧凑网格表示,并在几个复杂的流体力学预测任务中优于竞争性 GNN 基线,可以帮 - MM物理信息神经网络在流体动力学代理建模中的改进
通过引入基于物理的规则,将 PINNs 模型用于流体动力学的代理模型,证明了其在数据缺失,边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点,包括提高模型的预测性能,提高对数据噪声的稳健性,并减少对于先前未见 - AAAI神经常微分方程用于环境水动力学数据驱动的降阶建模
本研究探讨使用神经常微分方程作为一种传播基于简化模型的潜在空间动力学的方法,并与两种传统的非侵入性方法进行比较,发现神经常微分方程提供了一个稳定和准确的演化潜在空间动力学的框架,但为了促进其广泛应用于大型系统,需要加速其训练时间。
- ICLR使用等变连续卷积进行轨迹预测
本文提出了一种新型模型 ECCO,利用流体动力学的认识来考虑真实世界轨迹中的内部对称性,该模型使用旋转等变连续卷积来嵌入系统的对称性,提高了轨迹预测的精度和物理一致性,具有更高的样本效率。
- 潜空间细分:流体流动的稳定可控时间预测
本文提出了一种端到端训练神经网络体系结构,以具有高时态稳定性的方式强韧地预测流体流动的复杂动力学。该方法是基于卷积神经网络(CNN)的空间压缩与堆叠长期短期记忆(LSTM)层结构的时间预测网络,并采用新颖的潜在空间划分方法(LSS)。通过选 - 基于物理约束深度学习的流体动力学代理建模
本文提出了一种基于受物理约束的深度学习的代理建模方法,以替代传统的基于数值模拟的建模方法,在流体力学问题中得到了很好的应用表现。
- SPNets: 深度神经网络的可区分流体动力学
本文介绍了一种将流体动力学与深度网络相结合的框架 Smooth Particle Networks (SPNets), 并成功展示了如何在 SPNets 下使用 ConvSP 和 ConvSDF 层, 直接实现深度网络中的流体动力学,并用数 - NIPS标签导向的变分自编码器在层流流动中的形状优化
采用贝叶斯优化方法进行流体力学的计算设计优化。结合生成模型和高斯过程回归,通过预测物体形状直接影响拖力系数以最小化拖力系数。
- 流体流动的模态分析:概述
本研究论文介绍实现流体动力学中基于模态分解的分析方法,其中包括 Proper Orthogonal Decomposition(POD)和 Dynamic Mode Decomposition (DMD) 等关键词。
- 最优输运与 Schrödinger 桥之间的关系:随机控制视角
本文从随机控制角度重新审视了最优传输问题与 Schrödinger 桥问题之间的关系,并提出了一些新的发现和解法,特别是我们提出并解决了带先验的流体动力学版本的最优传输问题。