Buchumschlag

On instabilities in neural network-based physics simulators

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Floryan, Daniel
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computational Engineering, Finance, and Science Chaotic Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PySHRED: A Python package for SHallow REcurrent Decoding for sparse sensing, model reduction and scientific discovery
von: Ye, David, et al.
Veröffentlicht: (2025)

Synthetic Lagrangian Turbulence by Generative Diffusion Models
von: Li, Tianyi, et al.
Veröffentlicht: (2023)

Extreme Event Precursor Prediction in Turbulent Dynamical Systems via CNN-Augmented Recurrence Analysis
von: Agarwal, Rahul, et al.
Veröffentlicht: (2025)

Potential-energy gating for robust state estimation in bistable stochastic systems
von: Simeone, Luigi
Veröffentlicht: (2026)

Nonlinear optimals and their role in sustaining turbulence in channel flow
von: Klingenberg, Dario, et al.
Veröffentlicht: (2025)

Resonance-Driven Intermittency and Extreme Events in Turbulent Scalar Transport with a Mean Gradient
von: Mohamad, Mustafa A, et al.
Veröffentlicht: (2025)

A TVD neural network closure and application to turbulent combustion
von: Suh, Seung Won, et al.
Veröffentlicht: (2024)

Model-based deep reinforcement learning for accelerated learning from flow simulations
von: Weiner, Andre, et al.
Veröffentlicht: (2024)

Transfer learning-based physics-informed convolutional neural network for simulating flow in porous media with time-varying controls
von: Chen, Jungang, et al.
Veröffentlicht: (2023)

The boundary of neural network trainability is fractal
von: Sohl-Dickstein, Jascha
Veröffentlicht: (2024)

Emergence of Statistical Financial Factors by a Diffusion Process
von: Negrete Jr, Jose, et al.
Veröffentlicht: (2026)

Learning solutions of parametric Navier-Stokes with physics-informed neural networks
von: Naderibeni, M., et al.
Veröffentlicht: (2024)

Local learning for stable backpropagation-free neural network training towards physical learning
von: Guo, Yaqi, et al.
Veröffentlicht: (2026)

Energy-based physics-informed neural network for frictionless contact problems under large deformation
von: Bai, Jinshuai, et al.
Veröffentlicht: (2024)

On the weight dynamics of learning networks
von: Sharafi, Nahal, et al.
Veröffentlicht: (2024)

Improving the performance of Stein variational inference through extreme sparsification of physically-constrained neural network models
von: Padmanabha, Govinda Anantha, et al.
Veröffentlicht: (2024)

Fourier neural operators for spatiotemporal dynamics in two-dimensional turbulence
von: Atif, Mohammad, et al.
Veröffentlicht: (2024)

STONet: A neural operator for modeling solute transport in micro-cracked reservoirs
von: Haghighat, Ehsan, et al.
Veröffentlicht: (2024)

On the relationship between Koopman operator approximations and neural ordinary differential equations for data-driven time-evolution predictions
von: Buzhardt, Jake, et al.
Veröffentlicht: (2024)

FluidFormer: Transformer with Continuous Convolution for Particle-based Fluid Simulation
von: Wang, Nianyi, et al.
Veröffentlicht: (2025)

Multivariate time series prediction using clustered echo state network
von: Hariharan, S., et al.
Veröffentlicht: (2025)

JAX-Fluids 2.0: Towards HPC for Differentiable CFD of Compressible Two-phase Flows
von: Bezgin, Deniz A., et al.
Veröffentlicht: (2024)

Data-Driven Physics-Informed Neural Networks: A Digital Twin Perspective
von: Yang, Sunwoong, et al.
Veröffentlicht: (2024)

AhmedML: High-Fidelity Computational Fluid Dynamics Dataset for Incompressible, Low-Speed Bluff Body Aerodynamics
von: Ashton, Neil, et al.
Veröffentlicht: (2024)

DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics
von: Ashton, Neil, et al.
Veröffentlicht: (2024)

VENI, VINDy, VICI: a generative reduced-order modeling framework with uncertainty quantification
von: Conti, Paolo, et al.
Veröffentlicht: (2024)

DrivAerNet: A Parametric Car Dataset for Data-Driven Aerodynamic Design and Prediction
von: Elrefaie, Mohamed, et al.
Veröffentlicht: (2024)

NeurIPS 2024 ML4CFD Competition: Harnessing Machine Learning for Computational Fluid Dynamics in Airfoil Design
von: Yagoubi, Mouadh, et al.
Veröffentlicht: (2024)

A MgNO Method for Multiphase Flow in Porous Media
von: Liu, Xinliang, et al.
Veröffentlicht: (2024)

WindsorML: High-Fidelity Computational Fluid Dynamics Dataset For Automotive Aerodynamics
von: Ashton, Neil, et al.
Veröffentlicht: (2024)

C(NN)FD -- a deep learning framework for turbomachinery CFD analysis
von: Bruni, Giuseppe, et al.
Veröffentlicht: (2023)

Learning Fluid-Structure Interaction with Physics-Informed Machine Learning and Immersed Boundary Methods
von: Farea, Afrah, et al.
Veröffentlicht: (2025)

A Residual Guided strategy with Generative Adversarial Networks in training Physics-Informed Transformer Networks
von: Zhang, Ziyang, et al.
Veröffentlicht: (2025)

Scientific Machine Learning of Flow Resistance Using Universal Shallow Water Equations with Differentiable Programming
von: Liu, Xiaofeng, et al.
Veröffentlicht: (2025)

Generalization of Urban Wind Environment Using Fourier Neural Operator Across Different Wind Directions and Cities
von: Chen, Cheng, et al.
Veröffentlicht: (2025)

Multi-level datasets training method in Physics-Informed Neural Networks
von: Tsai, Yao-Hsuan, et al.
Veröffentlicht: (2025)

Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics
von: Bruni, Giuseppe, et al.
Veröffentlicht: (2023)

Sparse Identification of Nonlinear Dynamics with Conformal Prediction
von: Fasel, Urban
Veröffentlicht: (2025)

Convolutional autoencoders for the reconstruction of three-dimensional interfacial multiphase flows
von: Cutforth, Murray, et al.
Veröffentlicht: (2025)

Physics-informed neural networks for parameter learning of wildfire spreading
von: Vogiatzoglou, Konstantinos, et al.
Veröffentlicht: (2024)