PDE 仿真器在多材料多物理场工业仿真任务中的评测
论文评估多种基于计算机视觉的代理模型架构在多材料、多物理场计算物理任务上的表现,发现包括 Transformer 架构在内的部分预训练模型在迁移时存在显著实现挑战。结果强调针对稀疏与不平衡数据的学习算法、空间编码适配、物理一致性指标以及降低训练数据生成成本的重要性。
共 15 篇相关资讯,按重要度与时间排序,每 3 小时更新。
论文评估多种基于计算机视觉的代理模型架构在多材料、多物理场计算物理任务上的表现,发现包括 Transformer 架构在内的部分预训练模型在迁移时存在显著实现挑战。结果强调针对稀疏与不平衡数据的学习算法、空间编码适配、物理一致性指标以及降低训练数据生成成本的重要性。
论文提出离线闭环框架,回答自驱动实验室中学习设计代理何时可信、需多少目标测量、先测哪些、何时停止适配四个问题。在六张公开液滴微流控与脂质体数据表上构建 107 个留一组层级,配合预注册测试与七套冻结闭环协议得出 23 项结论。热启动残差提升在 94% 化学层级中 20 行内回到开发参考的 1.25…
研究提出图信息克里金框架,将可复用的气动交互信息嵌入代理模型均值函数,使高斯过程只需建模残差与不确定性。在稀疏数据下,其年发电量预测精度优于普通与通用趋势克里金,并在 IEA Wind Task 37 基准上以约 280 次评估取得有竞争力解。方法进一步扩展至 48 台风机风场,支持大规模 CFD…
研究提出条件增强生成对抗网络 CEGAN,将几何可行性与气动性能惩罚嵌入损失函数,并用代理模型过滤不可行设计。在类 Cessna Citation X 构型上,插值条件下平均生成误差降低至少 36%,极端外推下降低至少 46%,同时生成多样且物理可行的新设计。该方法为概念设计阶段的快速气动外形探索…
论文研究由标量关注量是否越过固定阈值决定的决策场景,提出阈值感知共形路由(TACR)。该方法学习输入相关的区间尺度,使区间紧致性集中在决策边界附近,同时通过精确分裂共形校准保持无分布边际覆盖保证。在多个科学与工程数据集上,TACR 在相同覆盖目标下将仿真器调用相对标准共形预测减少 14%–75%。
论文针对PCB布局逆向设计中扩散模型难以满足电磁规格的问题,提出Simulator-Refined Diffusion方法,将低保真可微代理与高保真不可微仿真器结合到扩散采样中。实验显示该方法在分布内与分布外目标上分别将S参数匹配精度提升最多21.2%和19.8%。
论文提出Helix-FNO,一种教师-学生架构,将32状态机理模型教师与傅里叶神经算子(FNO)学生耦合。教师通过拉丁超立方与不确定性主动学习生成高保真数据集,学生在谱域学习解算子本身而非单一解,从而泛化到新工况。该方法推理速度比机理教师快三个数量级,达毫秒级,适合大规模候选筛选与在线决策支持。
研究提出KG-Chronos-2,将冻结的Chronos-2时序基础模型与水力工程知识结合,用于HEC-RAS水面高程代理预测。相比冻结Chronos-2、DCRNN式模型与GeoFNO,其RMSE分别降低14.13%、29.38%与39.54%,验证了知识耦合对暖启动预测的价值。
论文主张Learning-to-Optimize(L2O)是优化与AI原生智能之间缺失的架构层,将优化算法重新定义为离线知识生成器,为神经代理模型提供高质量监督信息。提出包含优化、知识生成、代理学习与运行时推理的四阶段工作流。以NR-V2X中继选择为例,用MILP求解器生成的解训练图神经网络,实现…
论文研究交流最优潮流(ACOPF)学习型代理的物理可行性与规模的权衡,比较 MSE 与增广拉格朗日(AL)两种训练目标。结果显示两者均随规模呈幂律改善,但 MSE 主要受模型容量支配,而 AL 在模型与数据间更均衡;MSE 下约束违反随网络规模增长的速度约为 AL 的两倍。AL 在约 10 倍训练…
针对离散黑盒优化中代理模型难以捕捉可行性逻辑约束的问题,论文提出基于张量分解的代理建模方法,直接整合可行性信息。作者将代理训练形式化为约束多项式优化,并用 T-范数导出的可微惩罚项求解松弛形式。在合成与真实基准(含压力容器设计)上,该方法有效避开不可行区域,提升样本效率。
研究用 Set Transformer 结合 ChemBERTa 分子嵌入,直接由组分与质量分数预测聚合物复合材料的 X 射线能量透射比,单次推理仅需 1-3 毫秒。模型在 4697 组蒙特卡洛模拟数据上 R² 达 0.9988,比参考模拟快数个数量级。
论文提出BAT-NO,一种边界条件感知的Transformer神经算子,用于车辆部件瞬态位移场与碰撞性能的自回归预测。在B柱仿真框架下,最困难场景误差较次优模型降低32.6%,多数碰撞指标中位误差低于3%,表明显式局部与全局边界条件表示可提升设计空间泛化能力。
研究提出数据驱动的控制框架,结合代理模型与强化学习优化核物理散射实验中的动态极化靶。基于 APOLLO 低温靶系统运行数据,训练多层感知机与高斯过程回归预测极化随微波频率、束流与辐射剂量的变化,并将代理模型嵌入标准化仿真环境,用下置信界奖励训练强化学习智能体。结果显示该智能体相比人工操作提升近 2…
研究提出分层贝叶斯优化框架,利用高斯过程元建模处理体系之体系(SoS)问题中的离散架构选择、条件依赖与异构设计变量。相比传统代理方法,该分层形式在有限仿真预算下提升搜索效率与鲁棒性。作者将其应用于欧盟COLOSSUS项目的航空多智能体野火扑救系统,为航空、可持续出行与韧性系统设计提供可迁移方法。