标签
本文介绍了一种基于 reinforcement learning 的方法，用于在混合域分解模拟中自适应选择全阶模型（FOMs）和降阶模型（ROMs），使用 deep Q-networks 来平衡瞬态问题中的精度和成本。
介绍跨度内学习（in-span learning）——一种通过将模型自身的预测流经增量奇异值分解来适应降阶模型的方法，在不改变子空间的前提下重新加权和重新对齐基。该方法在多个动力系统上得到验证，并被视为计算科学领域与上下文学习（in-context learning）相对应的概念。
本文介绍了一种全GPU工作流，通过可微分求解器（JAX-Fluids）和基于残差的精化方法加速高超声速流动神经仿真器的数据生成与训练，提高训练分布之外的物理一致性和可靠性。
本文提出了针对偏微分方程的结构保持神经替代模型，该模型集成了Gaussian process regression以提供可处理的不确定性量化，从而能够实现具有闭式误差估计的实时仿真。
本文提出了一种基于条件归一化流的不确定性感知多保真度框架，用于改进复杂多尺度系统的降阶模型（ROM）的预测准确性。该方法学习从低保真度到高保真度系数的概率映射，并在涡旋合并问题上进行了验证，展示了改进的准确性和不确定性量化。