arXiv · 17.06.2026 ·Машинное обучение

Ускорение численного моделирования потоков с помощью графовых нейросетей

Исследователи представили новый метод ускорения алгебраических многосеточных решателей (AMG), используемых для решения уравнения Пуассона при моделировании несжимаемых потоков. Традиционные линейные методы часто сталкиваются с вычислительными сложностями из-за неоднородности расчетных сеток, что делает их узким местом в инженерных расчетах.

В основе предложенного решения лежит модифицированная графовая изоморфная нейронная сеть (GCIN). Модель обучается предсказывать параметры сглаживания, что позволяет оптимизировать процесс решения системы уравнений на неструктурированных сетках. Использование нейросетевого подхода помогает преодолеть чувствительность классических алгоритмов к искажениям геометрии расчетной области.

Данный метод демонстрирует потенциал интеграции глубокого обучения в классические вычислительные дисциплины (CFD). Замена или дополнение традиционных итерационных процессов нейросетевыми компонентами позволяет значительно сократить время, затрачиваемое на решение сложных физических задач, сохраняя при этом высокую точность вычислений.

Источник: arXiv

Похожие материалы

arXiv · Машинное обучение Новый метод решения нелинейных уравнений с нейросетями Исследователи предложили новый численный метод для решения нелинейных дифференциальных уравнений с использованием физически информированных нейронных сетей (PINNs). Метод основан на подходе Беллмана-Калабы, который сводит нелинейную задачу к последовательности линейных подзадач. Каждая из них решается методом наименьших квадратов с помощью QR-разложения. Hacker News · Машинное обучение Новый метод параллельных вычислений на GPU для ИИ Исследователи представили новый подход к параллельным вычислениям на графических процессорах, который может значительно ускорить обучение и инференс нейросетей. В статье, опубликованной на arXiv, авторы предлагают метод, позволяющий избежать традиционных проблем с синхронизацией и конкуренцией за ресурсы. Hacker News · Другое Компиляция алгоритмов матричного умножения в быстрые CUDA-ядра Исследователи представили новый подход к компиляции алгоритмов матричного умножения, основанных на методе Штрассена, в эффективные CUDA-ядра. Это позволяет значительно ускорить вычисления, что особенно важно для задач, связанных с обработкой больших матриц в ИИ-агентах. arXiv · Машинное обучение Новый подход к моделированию динамических систем через явные структуры Исследователи представили альтернативный подход к обучению динамических систем, который отходит от использования универсальных нелинейных аппроксиматоров. Вместо наращивания сложности нейронных сетей для захвата сложных паттернов, авторы предлагают архитектуру, где моделирующая способность системы определяется её внутренней структурой. Такой метод позволяет эффективнее описывать поведение динамических процессов, опираясь на математически обоснованные взаимодействия, а не на избыточную нелинейность. arXiv · Машинное обучение Новая архитектура P-K-GCN для моделирования пространственно-временных данных Исследователи представили архитектуру P-K-GCN (Physics-augmented Koopman-enhanced Graph Convolutional Network), предназначенную для решения задач пространственно-временного суперразрешения. Метод позволяет восстанавливать высокоточные данные из грубых входных сигналов, что критически важно для сложных физических симуляций, где прямые вычисления требуют огромных вычислительных мощностей. arXiv · Инференс и железо Как снизить задержки в системах с потоковыми данными Исследователи из MIT и Google предложили новый подход к обработке потоковых данных в системах машинного обучения, который может существенно снизить задержки и нагрузку на серверы. В статье, опубликованной на arXiv, они описывают метод, который отделяет процесс инференса от обновления состояния, используя вероятностное прореживание (probabilistic thinning). Hacker News · Машинное обучение Новый подход к законам масштабирования может изменить обучение ИИ-моделей Исследователи из Стэнфордского университета предложили новый подход к законам масштабирования, который может существенно повлиять на процесс обучения искусственных нейронных сетей. Традиционные законы масштабирования описывают, как увеличение размера модели и объёма данных влияет на её производительность. Однако новый метод позволяет более точно предсказывать, как изменения в архитектуре модели и данных повлияют на её точность и эффективность. arXiv · Машинное обучение Эквивариантные графовые нейросети ускоряют поиск новых материалов Исследователи представили новый подход к прогнозированию оптических спектров материалов с использованием эквивариантных графовых нейронных сетей. Традиционные суррогатные модели часто ограничены использованием скалярных признаков, инвариантных к поворотам, что снижает точность описания геометрических свойств молекулярных структур. Применение эквивариантных архитектур позволяет нейросети учитывать пространственную ориентацию атомов и связей, значительно повышая выразительность модели при анализе сложных физических систем. Hacker News · Инференс и железо Project Huginn: распределенное обучение моделей на простаивающих GPU Проект Huginn предлагает решение для оптимизации затрат на обучение и дообучение нейросетей за счет использования вычислительных мощностей, которые простаивают в распределенных сетях. Платформа позволяет объединять разрозненные графические процессоры в единый кластер, что значительно снижает стоимость аренды облачной инфраструктуры для интенсивных вычислительных задач. arXiv · Инфраструктура для агентов FoMoE: новый подход к обучению MoE-моделей через федерацию экспертов Исследователи представили архитектуру FoMoE (Federation of Mixture-of-Experts), которая решает проблему жесткой привязки параметров модели к вычислительной инфраструктуре. Традиционные методы обучения крупных языковых моделей требуют использования массивов тесно связанных ускорителей, что ограничивает масштабируемость. Новый подход позволяет распределять экспертов в составе MoE-архитектуры между независимыми вычислительными узлами, снимая барьер «полной репликации» весов модели на каждом устройстве.

← Все материалы