Машинное обучение в вычислительной гидродинамике

Машинное обучение быстро становится ключевой технологией для научных вычислений, открывая многочисленные возможности для развития области вычислительной гидродинамики. В данной статье освещаются некоторые из областей с наибольшим потенциалом влияния, включая ускорение прямых численных симуляций, улучшение моделирования замыкания турбулентности и разработку улучшенных моделей пониженного порядка. В каждой из этих областей можно улучшить возможности машинного обучения, интегрируя в процесс физические принципы, и, в свою очередь, улучшить моделирование жидкостей для получения новых физических знаний. Несмотря на многообещающие перспективы машинного обучения, описанные здесь, мы также отмечаем, что классические методы часто более эффективны для многих задач. Мы также подчеркиваем, что для того, чтобы в полной мере использовать потенциал машинного обучения для улучшения вычислительной гидродинамики, сообществу крайне важно продолжать создавать эталонные системы и лучшие практики для программного обеспечения с открытым исходным кодом, обмена данными и воспроизводимых исследований. Потенциал машинного обучения для улучшения вычислительной гидродинамики Рикардо Винуэса, Стивен Л. Брантон https://arxiv.org/abs/2110.02085 Цитируемая ссылка на это видео: https://doi.org/10.52843/cassyni.nn3m2c Ссылка на семинар Роуз Ю по включению физических принципов в решатели турбулентных потоков:    • Rose Yu - Incorporating Symmetry for Learn...   Это видео было создано в Вашингтонском университете