Компьютерная наука > Машинное обучение [представлено 7 октября 2026 года] Название: Cross-Domain Pretraining for Steedy-State Neural CFD Surrogates View PDF HTML (экспериментальное) Резюме: Невральные суррогаты для динамики вычислительных жидкостей (CFP) обладают потенциалом значительного улучшения инженерных инноваций за счет ускорения моделирования. Однако основным ограничением для нейронных суррогатных устройств является отсутствие обобщения геометрий и прикладных программ, выходящих за рамки учебного набора, что имеет важное значение ввиду разнообразия инженерных сценариев. В настоящее время для решения этой проблемы используется новый набор данных для конкретного приложения; однако это требует использования дорогостоящих цифровых решающих устройств. В этой работе мы делаем шаг в направлении решения этого вопроса, изучая нейронных суррогатов, прошедших подготовку по различным геометриям, пограничным условиям и действительности. Мы считаем, что междоменная предварительная подготовка повышает эффективность работы с нулевыми и небольшими показателями по незащищенным наборам данных как в плане подготовки кадров с нуля, так и в отношении передачи от экспертов по конкретным областям. В частности, отладка предварительно подготовленной междоменной модели может привести к ошибкам 2-3х с меньшим количеством образцов при одном и том же размере выборки и использовать 8 x меньше проб для достижения такой же ошибки по сравнению с тренировками с нуля. Эта выгода является агностической…
Предварительная подготовка для суррогатных машин в стабильном штате
arXiv: 2610.103098v1 Аннонс Тип: новое резюме: Невральные суррогаты для динамики вычислительной жидкости (CFD) обладают потенциалом значительного улучшения инженерных инноваций за счет ускорения моделирования. Однако основным ограничением для нейронных суррогатных устройств является отсутствие обобщения геометрий и прикладных программ, выходящих за рамки учебного набора, что имеет важное значение ввиду разнообразия инженерных сценариев. В настоящее время для решения этой проблемы используется новый набор данных для конкретного приложения; однако это требует использования дорогостоящих цифровых решающих устройств. В этой работе мы делаем шаг в направлении решения этого вопроса, изучая нейронных суррогатов, прошедших подготовку по различным геометриям, пограничным условиям и действительности. Мы считаем, что междоменная предварительная подготовка повышает эффективность работы с нулевыми и небольшими показателями по незащищенным наборам данных как в плане подготовки кадров с нуля, так и в отношении передачи от экспертов по конкретным областям. В частности, отладка предварительно подготовленной междоменной модели может обеспечить 2-3х погрешности при одной и той же выборке siz