English(EN) Multi-fidelity aerodynamic data fusion by autoencoder transfer learning

AI框架融合低保真度数据以进行气动预测并量化不确定性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-15 04:00

研究人员开发了一种新颖的深度学习框架用于气动数据融合，该框架结合了自编码器迁移学习和多重分裂一致性预测（MSCP）策略。该方法有效地利用了丰富的低保真度数据来学习物理表示，然后用少量高保真度样本进行微调。该方法在预测翼型和机翼的表面压力方面取得了高精度，并提供了稳健的不确定性量化，实现了超过95%的点覆盖率。 AI

排序理由该集群包含一篇详细介绍新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Javier Nieto-Centenero, Esther Andr\'es, Rodrigo Castellanos · 2026-06-15 04:00

Multi-fidelity aerodynamic data fusion by autoencoder transfer learning

arXiv:2512.13069v2 Announce Type: replace-cross Abstract: Accurate aerodynamic prediction often relies on high-fidelity simulations; however, their prohibitive computational costs severely limit their applicability in data-driven modeling. This limitation motivates the developmen…

报道来源 [1]

Multi-fidelity aerodynamic data fusion by autoencoder transfer learning

相关话题