科学机器学习在流体流动建模方面取得进展

本章回顾了科学机器学习（SciML）在模拟复杂流体流动和传输现象方面的最新进展。它调查了诸如奇异值分解、动态模式分解、物理信息神经网络（PINNs）和 $\beta$-变分自编码器（$\beta$-VAEs）等方法，用于创建高效的代理模型。该工作将这些方法与高性能计算策略相结合，并通过 PINNs 模拟浊流以及使用 $\beta$-VAEs 从热流中提取解耦的非线性模式，提出了新的贡献。本章展示了 SciML 如何以显著降低的计算成本，为复杂的耦合系统提供快速、准确的近似。 AI

影响 通过先进的机器学习技术，提高了复杂流体动力学模拟的效率和准确性。

排序理由 该条目是一篇综述章节，详细介绍了科学机器学习在特定研究领域的进展，包括方法和新贡献。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Adaptive Mesh Refinement/Coarsening
• $\beta$-Variational Autoencoders
• Dynamic Mode Decomposition
• High Performance Computing
• Physics-Informed Neural Networks
• Scientific Machine Learning
• Singular Value Decomposition

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →