PulseAugur
中
实时 06:44:49
English(EN) Neural Operator-enabled Topology-informed Evolutionary Strategy for PDE-Constrained Optimization

新的NOTES框架利用神经算子增强了偏微分方程约束优化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的神经算子赋能拓扑感知演化策略（NOTES），用于优化由偏微分方程控制的物理系统。该方法结合了基于DeepONet的神经算子和协方差矩阵自适应演化策略（CMA-ES），以降低设计维度并提高可迁移性。在纳米光子束偏转器设计中，NOTES实现了超过95%的效率，优于现有方法。该框架在结构优化方面也取得了成功，发现了顺从性显著降低的设计。 AI

影响 引入了一种新颖的逆向设计框架，有望加速物理系统的开发。

排序理由 详细介绍偏微分方程约束优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的NOTES框架利用神经算子增强了偏微分方程约束优化

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Raphaël Pestourie ·

    Neural Operator-enabled Topology-informed Evolutionary Strategy for PDE-Constrained Optimization

    The inverse design of physical systems governed by partial differential equations is computationally demanding due to the high dimensionality and non-convexity of design spaces. Generative models for inverse design often lack robustness and transferability, whereas evolutionary s…

相关实体

相关话题