finite element method
PulseAugur coverage of finite element method — every cluster mentioning finite element method across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
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。
-
FreeForm方法实现更快、更准确的可变形物体模拟
研究人员开发了一种名为FreeForm的新方法，用于模拟可变形超弹性物体，而无需依赖传统的网格。该方法利用再生核粒子法（RKPM）通过求解弹性能量Hessian矩阵上的特征系统来创建降阶蒙皮权重。与现有的神经场技术相比，该方法在训练速度和模拟误差方面都有显著提升，并已在机器人模拟应用中得到验证。
-
GNNs 通过学习模型差异来增强物理模拟
研究人员开发了一种新颖的混合孪生框架，该框架结合了基于物理的模型和图神经网络（GNNs），以改进复杂物理现象的模拟。该方法通过使用显著减少的数据来学习“无知模型”——即物理模型与现实之间的差异——从而解决了纯粹数据驱动方法的局限性。GNN 组件能够有效地捕捉缺失物理学的空间模式，即使在测量稀疏的情况下也能实现更准确和可解释的模拟，正如在非线性传热问题中所展示的那样。
-
混合物理信息神经网络推动电力系统设计
一篇新的综述文章探讨了使用混合物理信息神经网络（PIML）来增强电力系统。这些方法将物理定律嵌入机器学习模型，提高了准确性和效率，尤其是在数据稀缺的情况下。文章详细介绍了各种PIML架构及其在故障检测和数字孪生等领域的应用，强调了它们优于纯数据驱动的方法。
-
NOWS策略使用神经算子将PDE求解器速度提升90%
研究人员开发了一种名为神经算子预启动（NOWS）的新方法，用于加速求解复杂的偏微分方程（PDE）。这种混合方法使用学习到的神经算子为传统的迭代求解器提供高质量的初始猜测，从而显著减少所需的迭代次数。NOWS与现有的仿真基础设施集成，并已证明在保持经典数值方法稳定性的同时，计算时间可减少高达90%。
-
新框架增强了具有时空感知的AI模拟
研究人员开发了一个新框架，以增强用于物理模拟的机器学习模型，特别解决了当前训练范式中的局限性。他们的方法引入了用于空间一致性的多节点预测、用于稳定性的使用交叉注意力的时域校正机制，以及用于捕捉旋转对称性的具有旋转位置嵌入的几何归纳偏置。这些创新在多种架构和数据集上进行了评估，显示出在准确性和稳定性方面的一致改进，尤其是在长期预测方面。