本章探讨了科学机器学习（SciML）在模拟复杂流体流动和输运现象方面的进展。它详细介绍了奇异值分解、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，以创建高效的代理模型。该工作将这些技术与高性能计算策略相结合，包括自适应网格细化/粗化（AMR/C），以降低浊流和热对流等应用的计算成本。 AI
影响 能够对复杂的流体系统进行更快、更准确的近似，从而降低科学模拟的计算成本。
排序理由 该集群讨论了一篇关于机器学习在流体动力学模拟方面进展的科学论文。
在 Hugging Face Daily Papers 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
- Hugging Face
- Navier-Stokes Equations
- Variational Autoencoders
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
