标签
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。