标签
本文介绍了一种混合量子-经典框架，通过自适应配置点采样和损失感知注意力机制增强量子物理信息神经网络（QPINNs），用于求解微分方程，在流体动力学和反应-扩散基准测试中取得了显著的精度提升。
纽约大学库朗研究所的研究人员进行的实验证实了2024年提出的'动量通量理论'，该理论解决了费曼反向洒水器谜题，并将这一发现应用于'silly sprinklers'。
本文提出了一种用于主动流动控制的新型离线强化学习框架，采用带有点注意力层的传感器位置条件架构来处理变化的传感器配置，从而无需昂贵的在线交互即可实现数据驱动的策略提取。
Linus Ekenstam 展示了一个用于在太空喝咖啡的流体动力学设计的杯子，展示了它在微重力环境下的工作原理。
DeepMDMD将深度学习与代数约束相结合，学习紧凑且动态一致的Koopman算子表示，并将乘积规则作为精确约束强制实施。该方法在高维混沌和流体动力学问题上优于几何方法，减少了谱污染并实现了稳定的长期预测。
本文研究了群等变架构在神经流体动力学替代模型中的作用，引入了AB-GATr模型。研究发现，当数据缺乏强对齐时，等变性是有益的，但在高度对齐的数据集上可能会降低性能。
流体动力学博士生使用OpenAI的Codex 5.5模型，通过纯代码生成实现流体力学控制，无需训练神经网络，在多项测试中超越强化学习基线，成本低廉且结果可解释。
本文介绍了AeroJEPA，一种用于可扩展3D气动场建模的联合嵌入预测架构。它通过预测流场的语义潜在表示，解决了当前代理模型在可扩展性和设计实用性方面的局限性，从而实现了高效的高保真分析和设计优化。
本文介绍了 MeLISA，这是一种无需潜变量的自回归生成代理模型，用于预测高维物理动力学。该模型利用像素空间的 MeanFlow 实现高效的单步生成。与神经算子相比，MeLISA 在湍流基准测试中展现出更优越的长程统计精度和推理速度。
DeepMind 研究人员利用 AI 技术在基础流体动力学方程中发现了新的不稳定奇点族，有望推动对纳维-斯托克斯方程等百年数学难题的理解。该项工作与布朗大学、纽约大学和斯坦福大学合作，以前所未有的计算精度揭示了爆炸行为的规律。
The Well是一个包含16个领域、15TB多样化物理模拟数据集的大规模集合，旨在为时空物理系统的机器学习代理模型提供基准测试。它提供了统一的PyTorch接口和示例基线，以加速基于模拟的工作流程。