利用梯度提升流体动力学深度学习模型的泛化性能
流体动力学
2022-12-02 v1 机器学习
数值分析
数值分析
摘要
如今，计算流体力学（CFD）是工业设计的基础工具。然而，此类模拟的计算成本高昂，对于需要大量模拟的真实用例（如形状优化任务）可能不利。近来，深度学习（DL）在广泛应用领域取得重大飞跃，并成为物理系统的有力候选方法，为CFD带来新前景。为规避CFD的计算瓶颈，DL模型已用于学习欧几里得数据，且近期扩展到非欧几里得数据（如非结构网格与流形），从而实现更快且更高效（内存、硬件）的代理模型。尽管如此，DL存在训练数据分布（设计空间）外推（泛化）的固有局限。在本研究中，我们提出一种提升深度学习泛化能力的新工作。为此，我们将物理梯度（输出关于输入的导数）引入DL模型。我们的策略在改善DL网络泛化方面显示出良好效果，且我们的方法/理论研究得到实证验证（包括消融研究）的支持。
引用
@article{arxiv.2212.00716,
title = {Using Gradient to Boost the Generalization Performance of Deep Learning Models for Fluid Dynamics},
author = {Eduardo Vital Brasil},
journal= {arXiv preprint arXiv:2212.00716},
year = {2022}
}
备注
Master's thesis at Mines Paristech, HPC-AI program