Transolver
PulseAugur coverage of Transolver — every cluster mentioning Transolver across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新型AI模型高精度预测汽车空气动力学
研究人员开发了HGPTrans，一种新颖的分层图池化Transolver模型，旨在快速预测汽车的气动阻力系数。该模型集成了用于局部几何的图同构卷积、用于全局交互的基于Transolver的注意力以及用于精炼节点信息的层次化池化。在DrivAerNet和DrivAerNet++数据集上进行测试，HGPTrans与传统的计算流体动力学方法相比，表现出更高的准确性和显著缩短的推理时间。
-
新型聚类注意力神经算子求解参数化PDE
研究人员推出了一种新颖的求解参数化偏微分方程（PDE）的方法——聚类注意力神经算子（CANO）。与现有方法可能面临二次复杂度或通过压缩造成信息丢失不同，CANO利用交叉注意力机制，动态地对查询进行聚类，同时保持全分辨率的键和值。该方法旨在在流体和固体动力学、不规则几何形状以及长期时间预测等各种基准测试中取得最先进的性能，与先前模型相比，展现出更低的误差和强大的适应性。
-
发布了用于高升力飞机空气动力学研究的新数据集
研究人员推出了HiLiftAeroML，这是首个专门用于高升力飞机空气动力学研究的开放、高保真计算流体动力学数据集。该数据集包含使用GPU加速的大涡模拟方法生成的NASA通用研究模型高升力构型在不同迎角下的1800个模拟。发布内容包括几何模型、流场、集成载荷和基准测试集，旨在为开发和评估真实空气动力学数据驱动模型提供通用资源。
-
新的AI模型应对全局注意力计算成本
本文探讨了三种新颖的方法——Transolver、UPT和AB-UPT——旨在使全局注意力机制对于大规模AI模型来说在计算上更经济。这些方法通过重组信息在几何结构中的交换方式来解决标准自注意力的二次复杂度问题。这些模型不让每个点与所有其他点交互，而是利用更小的token集合、学习到的状态或分层结构来管理计算负载，从而实现对复杂数据更有效的处理。
-
新的流态注意力网络提高了空气动力学预测的准确性
研究人员推出了一种新颖的深度学习模型——流态注意力网络（FSAN），旨在提高空气动力学预测的准确性和适用性。传统的计算流体动力学（CFD）方法计算成本高昂，限制了其在设计过程中的应用。FSAN通过分别编码几何和流动条件，并将几何体划分为不同的流动状态，来解决现有深度学习代理模型的局限性。这种方法可以更精确地交互几何和流动信息，从而在基准数据集上获得卓越的预测精度。
-
CarBench基准发布，用于3D汽车空气动力学AI模型
研究人员推出了CarBench，这是首个用于评估高保真3D汽车空气动力学中神经代理模型的综合基准。该基准利用了DrivAerNet++数据集，该数据集包含超过8000次高保真汽车模拟。CarBench评估了十一种不同的模型架构，包括神经算子、几何深度学习模型、基于Transformer的求解器和隐式场网络。评估涵盖了预测准确性、物理一致性、计算效率和不确定性估计，该框架和预训练权重已开源，以促进数据驱动工程领域的可复现研究。
-
新的局部线性Transformer架构改进了偏微分方程学习
研究人员开发了一种名为局部线性Transformer（LLT）的新型神经算子架构，旨在改进偏微分方程（PDE）的学习。LLT通过结合线性全局注意力与局部空间混合并纳入坐标和几何信息，解决了标准Transformer的局限性。在各种偏微分方程问题和离散化中，这种方法显示出与现有方法相比具有竞争力或更低的误差率，同时还提供了显著的训练时间加速。
-
Transolver-3 将神经 PDE 求解器扩展到工业几何结构
研究人员开发了 Transolver-3，这是一个旨在克服将神经 PDE 求解器扩展到工业规模几何结构时内存限制的新框架。该系统引入了更快的切片/反切片操作和几何切片平铺等架构优化，以管理高分辨率网格。通过采用摊销训练策略和物理状态缓存，Transolver-3 可以处理超过 1.6 亿个单元的网格，在飞机和汽车设计等复杂工程模拟中显示出有效性。
-
新的GTF-Net模型以更高的精度预测车辆气动性能
研究人员开发了一种名为GTF-Net的新机器学习模型，用于预测车辆气动性能。该模型采用新颖的三平面特征表示，并结合显式的几何线索，以提高压力和壁面剪切应力预测的准确性。GTF-Net的性能优于Transolver和GINO等现有方法，证明了其整合谱混合与卷积精炼的混合方法的有效性。
-
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。
-
RETO Transformer算子通过RoPE增强汽车空气动力学预测
研究人员推出了一种新颖的旋转增强Transformer算子RETO，旨在改进汽车空气动力学预测。该新模型采用双阶段空间感知机制，利用正弦-余弦编码和旋转位置编码（RoPE）来更好地捕捉复杂的空间相关性。RETO在ShapeNet和DrivAerML基准测试中均显著优于现有基线模型，在表面压力和速度预测方面取得了显著的准确性提升。
-
新研究探讨防止人工智能模型灾难性遗忘的方法
2026年5月6日提交的多篇研究论文探索了跨各种人工智能领域的持续学习的新方法。其中一篇论文介绍了一种基于重放的物理信息神经网络算子策略，以减轻灾难性遗忘。另一篇论文提出使用软令牌的“技能新词”来扩展大型语言模型的能力，而无需更新权重。此外，关于大型语言模型系统的研究提出了一种受生物记忆启发的、用于持续知识更新的多时间尺度记忆动力学方法。