PulseAugur
中
实时 11:07:44

新型凸神经网络能量单元可实现可复用的有限元分析

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的方法，用于创建可复用的、几何参数化的神经网络单元，用于有限元分析。该方法通过确保组装后的系统即使在单元刚度奇异的情况下也保持正定性，从而解决了先前方法中的结构性故障问题。新的凸神经网络能量单元以超网络生成的二次形式实现，提供了条件误差界限，并在各种几何形状和物理问题（包括热传导和平面应变弹性）的设置时间上实现了显著的加速。 AI

影响 这项研究通过实现可复用的神经网络组件，可能导致更高效、更通用的有限元分析，从而加速工程和物理领域的模拟。

排序理由 该集群描述了一篇新颖的研究论文，详细介绍了一种计算力学和神经网络算子的新方法。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新型凸神经网络能量单元可实现可复用的有限元分析

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Hongyue Jiang, Jianjiang Zhan, Chenzhuo Zhang, Fan Wang ·

    Convex Neural Energy Elements: Monolithic Finite-Element Assembly of Geometry-Parameterized Neural Operators with Stability and Error Guarantees

    arXiv:2608.02036v1 Announce Type: new Abstract: Extending the neural-operator element method from individually trained, fixed-geometry neural elements to a library of reusable, geometry-parameterized element types fails structurally: a field-predicting operator trained by value r…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    Convex Neural Energy Elements: Monolithic Finite-Element Assembly of Geometry-Parameterized Neural Operators with Stability and Error Guarantees

    Extending the neural-operator element method from individually trained, fixed-geometry neural elements to a library of reusable, geometry-parameterized element types fails structurally: a field-predicting operator trained by value regression induces an energy whose assembled Hess…

相关实体

相关话题