研究人员开发了一个新的端到端PyTorch接口，用于可微偏微分方程（PDE）求解器，从而可以将物理信息约束集成到机器学习框架中。该方法通过将PDE重新构建为可微层，实现了PDE模型中参数的优化，例如流体动力学中的湍流模型。该方法已在复杂的流体动力学问题上得到验证，包括可压缩流的雷诺平均纳维-斯托克斯方程，展示了其在各种物理约束、数据驱动问题上的灵活性。 AI
影响 通过将机器学习与基于物理的模型相结合，能够实现对复杂物理系统更准确、更高效的模拟。
排序理由 这是一篇研究论文，详细介绍了将物理学集成到机器学习模型中的新技术方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Machine Learning
- NASA Wall-Mounted Hump test case
- Partial Differential Equation
- PyTorch
- Reynolds-Averaged Navier-Stokes equations
- Spalart-Allmaras
- VKI LS-59 turbine blade
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
