arXiv 机器学习· Brener Ramos, William R. Wolf, Tarc\'isio C. D. Oliveira, Scott T. M. Dawson·· 7 小时前AI 评分32
利用粗网格图神经网络预测参数化非定常流中的稀疏观测值
Predicting Sparse Observables in Parameterized Unsteady Flows Using Coarse-Mesh Graph Neural Networks
AI 导读
研究提出直接在粗网格上部署图神经网络（GNN）的降阶模型，无需全状态重构即可准确预测非定常流中的稀疏测点与积分量。该方法在 2D/3D 复杂流动中性能优于参数化 DMD、MLP、U-Net 和傅里叶神经算子，且显著减少训练时间与显存占用。结合频谱引导的自适应采样还将最大误差降低一个数量级，并借助加噪多步展开训练改善了长程自回归预测。
来源：arXiv 机器学习 · arxiv.org