finite element method
PulseAugur coverage of finite element method — every cluster mentioning finite element method across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的PI-GNN提供改进的应力局部化建模
研究人员开发了一种新颖的变分物理信息图神经网络（PI-GNN），旨在更准确地模拟非均质固体中的应力局部化。与依赖惩罚项或特定正则化宽度的传统物理信息神经网络（PINNs）不同，该PI-GNN将非均质性直接集成到网格图中并最小化总势能。这种方法显著减少了应力和位移计算中的误差，尤其是在材料刚度失配的宽范围内，其性能优于强形式PINNs，并取得了与有限元方法相当的结果。
-
AI扩散模型通过文本提示指导工程设计
研究人员开发了一种新颖的工程设计方法，将无训练扩散模型与拓扑优化相结合。该方法允许工程师通过自然语言提示指定设计意图，然后将其集成到基于物理的优化循环中。该框架在各种领域和物理状态下的顺应性降低方面表现出显著改进，优于传统的基于梯度的方法。
-
研究发现，与传统方法相比，PINN在处理带噪声数据时表现不佳
一项新的研究论文调查了物理信息神经网络（PINN）在逆问题中处理带噪声数据的有效性。研究发现，虽然PINN可能需要较少的专业知识，但像有限元方法这样的传统方法在求解偏微分方程的准确性方面通常优于它们。然而，PINN在处理问题复杂性方面表现出更好的可扩展性，并且需要进一步开发以解决训练失败问题并提高在带噪声数据方面的竞争力。
-
新型无网格神经网络高精度模拟脆性断裂
研究人员开发了一种新颖的无网格方法，使用单个神经网络来模拟脆性断裂，无需显式裂纹跟踪。该方法采用基于B样条网格的多分辨率特征编码和分层蒙特卡洛积分来表示位移和相场。该方法在各种断裂问题中表现出强大的性能，在载荷-位移曲线精度方面可与有限元方法相媲美，并在裂纹分类基准测试中优于深度Ritz基线。
-
AI University框架通过LLM学习助手增强工程教育
研究人员开发了“AI University”（AI-U），一个旨在为工程课程创建AI驱动的学习助手的框架。该系统利用微调的大型语言模型（LLM）结合检索增强生成（RAG）技术，根据课程视频、笔记和教科书等特定课程材料提供响应。一项涉及研究生级别有限元方法（FEM）课程的案例研究表明，与基础LLM相比，AI-U在课程内容响应一致性方面得到了显著提升，并通过定量测量、LLM评估、专家评审和用户研究得到了验证。
-
新框架通过分析先验提升 AI 预测准确性
研究人员开发了一个分析先验学习框架，旨在提高亥姆霍兹共振器降噪频率预测的数据效率。该方法利用低成本的分析模型，在高质量仿真数据有限的情况下改进预测。该框架在矩形侧支管亥姆霍兹共振器上进行了评估，结果表明，与直接学习方法相比，结合分析先验信息可显著提高预测准确性，尤其是在仿真预算受限的情况下。
-
神经ODE预测电力变压器热行为
研究人员开发了一个新颖的框架，使用神经常微分方程（Neural ODEs）来准确建模和预测电力变压器的热行为。这种物理感知的方法将简化的传热方程直接整合到神经ODE的公式中，与计算成本高昂的数值模拟或纯粹数据驱动的机器学习模型相比，提供了一种更鲁棒和标准化的方法。该框架在挪威十五个不同变压器单元的数据上进行了评估，证明了其在捕捉不同条件下的动态热响应方面的有效性。
-
ProPINN架构解决了物理信息神经网络中的传播失败问题
研究人员推出了一种新颖的架构ProPINN，旨在解决物理信息神经网络（PINNs）中的传播失败问题。当来自初始或边界条件的监督信号未能有效到达被建模区域的内部时，就会发生这些失败。ProPINN旨在通过统一区域点的梯度来克服这一问题，为识别和解决这些问题提供更精确的定量标准。据报道，新架构在性能上显著优于先进的基于Transformer的模型。
-
新方法实现有限元代理模型的无标签训练
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。
-
新的神经算子框架处理复杂的偏微分方程 · 2篇论文
两篇新的研究论文介绍了一种用于求解偏微分方程（PDE）的新型神经算子框架。第一篇，FB-C2CNet，利用固定基来编码和解码函数系数，降低了可训练维度和训练成本，同时适应散乱数据。第二篇，SC-NO，采用自组合架构，迭代应用骨干模块，模仿经典迭代求解器，逐步解析复杂的解特征，并减轻频谱偏差，特别适用于高频和多尺度问题。
-
新型凸神经网络能量单元可实现可复用的有限元分析
研究人员开发了一种新的方法，用于创建可复用的、几何参数化的神经网络单元，用于有限元分析。该方法通过确保组装后的系统即使在单元刚度奇异的情况下也保持正定性，从而解决了先前方法中的结构性故障问题。新的凸神经网络能量单元以超网络生成的二次形式实现，提供了条件误差界限，并在各种几何形状和物理问题（包括热传导和平面应变弹性）的设置时间上实现了显著的加速。
-
新的PIKS方法提供通用物理信息核学习
研究人员推出了一种新的物理信息机器学习方法——物理信息核方法（PIKS），旨在克服现有方法的局限性。与难以优化的物理信息神经网络（PINNs）不同，PIKS提供了解析可处理性和闭式解。该方法旨在处理可能不满足传统核方法严格正则性假设的物理目标。PIKS已证明在线性微分约束方面具有通用一致性，并在数值实验中取得了与PINNs和有限元方法相比具有竞争力的结果。
-
新型FF-PINN模型为土工材料提供更快、更准确的分析
研究人员开发了一种傅里叶特征物理信息神经网络（FF-PINN），以解决岩土工程中弹塑性问题分析的局限性。传统的有限元方法（FEM）计算成本高昂，而标准的物理信息神经网络（PINN）则存在频谱偏差问题，无法准确捕捉弹塑性边界处的尖锐梯度。所提出的FF-PINN嵌入了随机傅里叶特征映射来减轻频谱偏差，与传统的PINN相比，实现了更高的准确性，并将训练时间缩短了一半。这一新框架为复杂的岩土工程分析提供了一种更有效、更准确的替代方案。
-
物理信息神经网络模拟双材料系统中的波传播
研究人员开发了一个利用物理信息神经网络（PINNs）模拟双材料系统中弹性动力学波传播的新颖框架。该方法将物理定律直接嵌入神经网络，能够准确预测材料界面上的波传输和反射。该框架已通过高保真有限元模拟进行了验证，并证明了其作为连续代理模型的能力，无需额外的计算成本即可预测未见过条件下的响应。
-
新基准SoftVTBench评估机器人操作安全性
研究人员推出了SoftVTBench，这是一个旨在评估可变形物体机器人操作的新基准，重点关注任务完成和物理安全。该基准使用NVIDIA Isaac Sim构建，并采用有限元方法进行逼真的物体模拟，包含多视图RGB观测、触觉传感和语言指令。实验表明，仅评估任务成功会显著高估策略的性能，因为许多实现目标的动作仍然可能违反安全约束。触觉传感的引入显著提高了安全成功率，并减少了操作过程中的物体变形。
-
新型物理感知Transformer重建聚变偏滤器温度场
研究人员开发了一种物理感知神经算子Transformer（PNOT），用于重建聚变装置中钨块偏滤器的温度场。该方法旨在克服有限元方法（FEM）等传统数值技术的计算成本，从而实现实时应用。PNOT将热流关系建模为图，并使用图注意力来捕捉空间依赖性，同时结合物理感知模块和Sobolev正则化来提高预测精度和物理一致性。
-
新的迁移学习方法增强了锂离子电池状态估算的AI能力
研究人员开发了一个用于物理信息神经网络（PINNs）的迁移学习框架，以改进锂离子电池的状态估算。该方法通过预训练一个通用模型，然后针对特定电池进行微调，解决了为不同电池化学成分从头开始训练PINNs的挑战。使用PyBaMM进行的验证表明，该方法可以准确预测电压，保持电化学一致性，并显著缩短训练时间。
-
新型神经网络算子MR-GVNO加速板响应预测
研究人员开发了MR-GVNO，这是一种新颖的几何感知变分神经网络算子，旨在加速不规则域上Mindlin-Reissner板的响应预测。该方法利用边界点云表示复杂几何形状，并通过交叉注意力机制整合各种输入场。MR-GVNO使用源自总势能的物理信息损失进行训练，可实现快速的全场推理，并在不同板形状和载荷条件下表现出强大的泛化能力，在计算成本方面显著优于传统的有限元方法。
-
新方法在离散化流形上近似 Whittle-Matern 场
研究人员开发了一种在新方法，使用离散化黎曼流形上的离散高斯马尔可夫随机场 (GMRF) 来近似 Whittle-Matern 场。该方法为整个 $(\alpha, \kappa)$ GMRF 族（无论其具体参数如何）的精度和协方差矩阵提供了一个通用的近似方案。该方法还固有地模拟了随机场的点状和分段平滑测量，并且其计算成本与使用的插值器无关。此外，精度矩阵被证明是图拉普拉斯算子在连接良好且体积集中的离散化上的谱函数，并提供了一个低秩近似…
-
PINNOCHIO框架利用物理信息神经网络增强手术模拟
研究人员开发了PINNOCHIO，一个使用物理信息神经网络（PINNs）来模拟正颌手术规划的面部软组织变形的新框架。该方法通过将界面运动与体积变形解耦，解决了现有方法中存在的精度-效率权衡问题，能够在无需完整体积真实数据的情况下实现稳定的训练和生物力学一致性。在40名患者的队列中进行测试，PINNOCHIO与当前基线相比，在准确性和物理有效性方面均表现出色，并且比传统的有限元方法速度更快。