Data-efficient operator learning for solving high Mach number fluid flow problems

要約

SciML を使用して不規則な形状上の高マッハ流体の流れの解を予測する問題を検討します。
この設定ではデータが制限されているため、モデルが低データ設定で良好なパフォーマンスを発揮することが望まれます。
データから動作モードの基礎を学習し、その基礎を使用して予測を行うニューラル基礎関数 (NBF) が、基礎を意識しないベースライン モデルよりも効果的であることを示します。
さらに、この種の問題の解決策を予測するという分野における継続的な課題も特定します。

要約(オリジナル)

We consider the problem of using SciML to predict solutions of high Mach fluid flows over irregular geometries. In this setting, data is limited, and so it is desirable for models to perform well in the low-data setting. We show that Neural Basis Functions (NBF), which learns a basis of behavior modes from the data and then uses this basis to make predictions, is more effective than a basis-unaware baseline model. In addition, we identify continuing challenges in the space of predicting solutions for this type of problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google