Bayesian inverse design

神经网络算子将CFD中的贝叶斯逆向设计加速1000倍以上

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。