finite element method
PulseAugur coverage of finite element method — every cluster mentioning finite element method across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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。
-
AI 预测汽车碰撞模拟中的数值分散度
研究人员开发了 CRADIPOR，一个旨在预测汽车碰撞模拟中数值分散度的新工具。该工具结合了秩约简自编码器 (RRAE) 和监督分类，以识别易受分散度影响的区域。由于复杂有限元碰撞模型固有的不可预测性，分散度可能会使工程决策复杂化。与随机森林基线相比，基于 RRAE 的方法表现出更优越的性能，其中基于斜率的输入表示在准确检测分散度方面显示出最大的潜力。
-
DeepONet学习非参数二维几何的亥姆霍兹方程算子
研究人员开发了一种物理信息神经网络算子DeepONet，用于求解非参数域上的二维亥姆霍兹方程。该方法学习散射体几何与产生的波场之间的关系，使用符号距离函数来编码任意形状。与传统的有限元方法相比，该模型提供了计算量更小的替代方案，并避免了域重网格化的需要。