用于加速科学模拟与设计的神经算子
机器学习
2024-01-08 v5 计算物理
摘要
科学发现与工程设计目前受限于物理实验的时间与成本，这些实验多通过试错与直觉筛选，需深厚领域专长。数值模拟可作为物理实验的替代，但因现有数值方法的计算需求，对复杂真实领域通常不可行。人工智能（AI）通过开发快速数据驱动代理模型提供了潜在的范式转变。特别地，一种称为神经算子（Neural Operators）的 AI 框架，为学习定义在连续域（如时空过程与偏微分方程（PDE））上函数间的映射提供了原则性框架。它们能外推并预测训练时未见过的新位置上的解，即执行零样本超分辨率。神经算子可在计算流体动力学、天气预报与材料建模等诸多应用中增强甚至替代现有模拟器，同时快 4–5 个数量级。此外，神经算子可与在更细分辨率上施加的物理及其他领域约束相结合，以获得高保真解与良好泛化。由于神经算子可微，它们可直接优化逆设计与其他逆问题的参数。我们相信神经算子为模拟与设计提供了变革性方法，赋能快速研发。
引用
@article{arxiv.2309.15325,
title = {Neural Operators for Accelerating Scientific Simulations and Design},
author = {Kamyar Azizzadenesheli and Nikola Kovachki and Zongyi Li and Miguel Liu-Schiaffini and Jean Kossaifi and Anima Anandkumar},
journal= {arXiv preprint arXiv:2309.15325},
year = {2024}
}