PulseAugur
中
实时 12:19:45
English(EN) Accelerating Bayesian inverse design in computational fluid dynamics using neural operators

神经网络算子将CFD中的贝叶斯逆向设计加速1000倍以上

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种方法，通过集成神经网络算子来显著加速计算流体动力学（CFD）的贝叶斯逆向设计。该方法允许从有限的流动数据中推断空气动力学几何形状，同时准确量化不确定性。通过在马尔可夫链蒙特卡洛采样循环中用训练好的深度算子网络替换计算成本高昂的CFD求解器，推理时间减少到一秒以内，速度提高了三个数量级以上。该研究还探索了用于单次几何重建的直接逆向神经网络算子，展示了在空气动力学应用中进行实际的、考虑不确定性的逆向设计的潜力。 AI

影响 为空气动力学应用实现实际的、考虑不确定性的逆向设计工作流程，极大地缩短了计算时间。

排序理由 该集群包含一篇研究论文，详细介绍了使用AI加速科学模拟的新方法。

在 arXiv cs.LG 阅读 →

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

神经网络算子将CFD中的贝叶斯逆向设计加速1000倍以上

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Bipin Tiwari, Omer San ·

    使用神经算子加速计算流体动力学中的贝叶斯逆向设计

    arXiv:2605.26059v1 Announce Type: cross Abstract: Bayesian inverse design provides a principled framework for inferring aerodynamic geometries from sparse flow observations while quantifying uncertainty. However, its practical use in computational fluid dynamics (CFD) is severely…

  2. arXiv cs.LG TIER_1 English(EN) · Omer San ·

    使用神经网络算子加速计算流体动力学中的贝叶斯逆向设计

    Bayesian inverse design provides a principled framework for inferring aerodynamic geometries from sparse flow observations while quantifying uncertainty. However, its practical use in computational fluid dynamics (CFD) is severely limited by the cost of repeated high-fidelity sim…

相关实体

相关话题