reduced-order-models

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。