Je vais concevoir des réseaux neuronaux informés par la physique et des substituts ML

Un réseau neuronal classique apprend uniquement à partir de données. Un PINN intègre également l'équation de gouvernance dans sa fonction de perte, ce qui le pénalise pour produire des réponses qui violent la physique. En pratique, cela signifie qu'il nécessite beaucoup moins de données d'entraînement et ne produit pas de nonsense en dehors de la plage qu'il

Un data scientist traitera votre sortie CFD comme un tableau de nombres. J'ai exécuté le solveur qui l'a produite. Je sais quelle condition aux limites influence le résultat, où le maillage était trop grossier, et si une erreur de 3 pour cent est importante pour votre décision de conception ou non. Ce contexte est la diff

Que ce soit une sortie de simulation, une balayage paramétrique idéal, ou l'équation de gouvernance et les conditions aux limites si vous souhaitez un modèle purement basé sur la physique sans données du tout. Si vous n'avez pas encore ces éléments, je peux générer les données d'entraînement en exécutant les simulations, ce qui constitue un devis séparé.

C'est le but. Un surrogate entraîné s'évalue en millisecondes alors que la résolution originale prenait des minutes ou des heures. La seule réserve honnête est que l'entraînement demande du temps en amont, donc cela devient rentable lorsque vous avez besoin de nombreuses évaluations, pour l'optimisation, les études de sensibilité ou l'exploration de l'espace de conception, et