Rans
PulseAugur coverage of Rans — every cluster mentioning Rans across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的ADEx-FNO框架统一了用于复杂几何形状的傅里叶神经网络算子
研究人员推出了一种新颖的ADEx-FNO框架，旨在增强傅里叶神经网络算子（FNOs）在涉及复杂和变化几何形状的应用。该方法将物理域嵌入固定的环境超立方体中，允许FNOs在不改变核心算子层的情况下处理不同离散化数据。ADEx-FNO在计算流体动力学（CFD）模拟中表现出显著的改进，减少了传统求解器所需的伪时间迭代次数，并在将学习到的数据迁移到不同物理条件方面显示出有希望的结果。
-
FedCritic-MIMO框架通过联邦学习增强6G网络资源控制 · 跟踪2个来源
研究人员开发了FedCritic-MIMO，一个面向6G网络通信高效联邦学习的新框架。该系统使小区级控制器能够在没有集中式训练的情况下管理用户调度和功率分配等资源。通过点对点交换兼容的共享评论参数，该框架显著降低了通信开销，同时保持了性能并改善了用户速率分布和QoS满意度等关键指标。
-
新AI方法优化翼型形状，降低模拟成本
研究人员开发了一种新的流体动力学模拟中优化翼型形状的方法。该方法使用多保真代理学习框架，结合低保真XFOIL评估和自适应、高保真RANS模拟。该系统旨在降低复杂模拟的计算成本，同时保持准确性，在翼型设计的巡航效率和起飞升力方面取得了显著改进。
-
深度学习模型提升湍流模拟精度
研究人员开发了一种名为DARSM（深度代数雷诺应力模型）的新型深度学习模型，以提高RANS模拟在湍流模拟中的准确性。该模型将基于物理的结构集成到神经网络中，使其能够从小型数据集中学习，并在不同的雷诺数、几何形状和流动状态下实现良好的泛化。与传统的RANS方法相比，DARSM显著降低了速度误差，并在湍流建模方面优于其他已建立的机器学习方法。
-
LLM实现通过熵编码的实时文本传输
研究人员探索了使用基于LLM的熵编码进行实时文本传输的学习、预测和压缩之间的联系。他们分析了在固定速率信道上，当因果语言模型预测符号进行编码时，压缩效率与传输延迟之间的权衡。该研究比较了包括霍夫曼编码、算术编码和rANS在内的各种编码方案，发现霍夫曼编码由于其零算法延迟，适用于过度配置的信道，而算术编码则以延迟为代价提供更好的压缩效果。这些发现通过从GPT-2 (124M)到Llama 3.2 (3B)的模型进行了验证，表明更大的模型…
-
Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD
研究人员开发了一种新的基于图的神经算子，称为 Gauge-Invariant Spectral Transformer (GIST)，旨在加速赛车设计的空气动力学模拟。该模型在一个由专家验证的高保真赛车空气动力学数据集上进行训练，解决了先前在简单形状上训练的 AI 模型的局限性。GIST 展现了最先进的准确性，并有潜力在工业赛车工作流程中实现交互式设计空间探索。