Monte Carlo solver

新框架通过算子分解改进流体动力学学习

研究人员开发了一个名为神经算子分解的新框架，以改进复杂几何形状中流体动力学的学习。该方法将每个时间步分解为单独的、物理上可解释的步骤，每个算子单独学习。该方法利用条件线性傅里叶神经算子 (CL-FNO)，并结合了对称采样和校正循环等策略，以最小化预测过程中的误差累积。实验表明，与单步神经算子相比，滚动误差显著降低，并且推理速度比传统的蒙特卡洛求解器快约 1000 倍。