PulseAugur
中
实时 10:41:37
English(EN) Discrete energy as an exact label-free training objective for finite-element surrogates

新方法实现有限元代理模型的无标签训练

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文提出了一种用于有限元代理模型的无标签训练目标，利用离散能量最小化。该方法消除了对参考解的需求，直接使用组装的离散势能作为训练信号。论文详细介绍了确保该信号对于线性静力学精确的恒等式，表明最小化离散能量和刚度范数中的监督回归产生相同的唯一最小化器和梯度。它还包括一个将位移误差限制在能量间隙内的条件引理，并讨论了对动力学模型的局限性。 AI

影响 这项研究通过消除对大量标记数据的需求，可能简化代理模型的开发，从而加速科学模拟。

排序理由 研究论文，详细介绍了一种新颖的训练AI模型的方法。[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 →

新方法实现有限元代理模型的无标签训练

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ruifeng Cao (The University of Manchester), Xidan Song (Wuhan University) ·

    离散能量作为有限元代理的精确无标签训练目标

    arXiv:2608.05437v1 Announce Type: cross Abstract: Supervised training of finite-element (FE) surrogate models requires reference solutions, and each reference solution is obtained by solving the system that the surrogate is intended to replace. The assembled discrete potential en…

相关实体

相关话题