Neural surrogates
PulseAugur coverage of Neural surrogates — every cluster mentioning Neural surrogates across labs, papers, and developer communities, ranked by signal.
-
新方法使用多保真度数据优化偏微分方程的神经代理模型训练
一篇新研究论文介绍了一种更有效地训练偏微分方程(PDE)神经代理模型的方法。该方法利用了 PDE 模拟的可调成本,通过在不同保真度数据的混合物上进行训练来实现。这种多保真度训练可以实现针对数据生成计算的帕累托最优误差缩放,以少至 6.3 倍的数据生成计算量达到与仅使用高保真度训练相当的精度。研究结果在六个 PDE 问题、各种误差源和四种代理模型架构上得到了验证。
-
新的arXiv论文探讨贝叶斯优化的空间偏差
一篇新发表在arXiv上的研究论文探讨了贝叶斯优化中固有的空间偏差,这是一种用于决定优化任务中何处进行探索的方法。研究表明,常用的高斯过程作为代理模型,在域边界附近倾向于表现出更高的后验方差。这种偏差会影响探索策略并影响优化性能,尤其是在早期阶段。研究人员提出用神经代理模型来控制这种空间偏好,并证明在基准函数和机器人推动任务中,替代的探索原则通常可以减少遗憾。
-
研究论文分析神经场预测的最佳输入尺寸
一篇新研究论文探讨了用于预测物理场的神经代理的最佳输入配置。该研究分析了空间上下文(窗口大小)和时间记忆(历史长度)之间的权衡,发现对于具有局部动力学的场,最佳预测更多地依赖于空间相关性而非时间历史。研究表明,对于代理设计,输入窗口的大小应根据场的相关长度来确定,并且输入预算应根据模型的预期提前时间在窗口和历史之间分配,因为随着提前时间的增加,最佳分配会转向更宽的窗口。
-
Airfoil2Vec: 神经代理模型加速气动预测
研究人员开发了Airfoil2Vec,这是一种新颖的神经代理模型,旨在通过比传统计算流体动力学方法显著的速度提升来预测翼型气动性能。该模型利用谱几何条件,结合了轮廓、弯度和厚度谱,以准确捕捉压力和速度场。配套的数据集包含10,000个产生下压力的翼型的RANS模拟,能够评估模型在各种翼型设计和流动条件下的泛化能力。
-
DDSNet神经网络改进光子晶体激光器设计
研究人员开发了DDSNet,这是一种新颖的神经网络,旨在预测光子晶体表面发射激光器的特性。该网络集成了具有平移等变性的谱滤波与对称诱导的结构先验,解决了现有AI模型在光谱分量和非对称结构利用不足的局限性。通过有效捕捉具有物理意义的结构-特性关系,DDSNet在特性预测和高通量筛选方面展现出卓越的准确性和可靠性,尤其是在结构敏感区域。
-
流体动力学中神经网络代理的无标签训练方法
研究人员开发了一种新颖的热流场预测神经网络代理训练方法,该方法基于最小化有限体积法(FVM)残差的无标签方法。该技术应用于注意力图神经网络,绕过了传统数值求解器生成的昂贵标记训练数据的需求。FVM-loss模型表现强劲,在稳态基准测试中实现了低误差率,并在瞬态情况下优于数据监督方法,同时消除了数据生成费用。
-
注意力机制增强了流体动力学模拟的神经代理
研究人员开发了一种新颖的神经代理模型,用于模拟采用粒子有限元法 (PFEM) 的自由表面流体动力学。该模型采用注意力机制来有效处理 PFEM 模拟中固有的不断变化的几何形状和复杂空间依赖性。该框架包括标准和线性注意力变体,在预测二维和三维基准(包括非牛顿流体)的瞬态动力学和最终配置方面,展示了改进的可扩展性和准确性。