PulseAugur
实时 00:46:21
English(EN) Differentiable Multiphysics Co-Optimization via Implicit Neural Representations: A Transient Hamburger-Cooking Benchmark

研究人员开发可微分AI用于多物理场协同优化

研究人员开发了一个新的可微分框架,用于优化复杂的多物理场系统,特别是那些涉及瞬态过程和移动边界的系统。该方法将几何的隐式神经表示与JAX编译的求解器相结合,允许同时优化几何和物理参数。该框架通过一个瞬态汉堡烹饪基准进行了演示,展示了其处理传热、相变和边界条件演变等复杂物理现象的能力。 AI

影响 引入了一个新颖的可微分框架用于复杂系统优化,可能影响科学模拟和设计。

排序理由 这是一篇详细介绍多物理场优化新计算框架的研究论文。[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 →

研究人员开发可微分AI用于多物理场协同优化

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Navid Zobeiry ·

    通过隐式神经表示实现可微分多物理场协同优化:一个瞬态汉堡烹饪基准

    arXiv:2605.01040v1 Announce Type: cross Abstract: The co-optimization of geometry and physical parameters remains challenging in transient multiphysics systems involving moving boundaries, nonlinear material response, phase transitions, and competing objectives. Existing methods …