.png){kind=icon}
返回
Accelerating multi-physics data generation via differentiable simulation: A modular JAX framework validated on thermal–fluidic–structural topology optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.advengsoft.2026.104302.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 多物理场领域的人工智能代理需要大量数据，而手动伴随编码阻碍了其发展。
• MultiPhysJAX：具有跨耦合偏微分方程（PDE）自动微分（AD）驱动梯度的开源框架。
• 约200行反向模式自动微分代码替代了约1500行以上的手动推导伴随代码。
• 在单个工作站上每小时可处理10万例耦合的热-流体-结构样本。
• 模块化设计：可添加新物理模型而无需修改现有求解器。
Keyword:
Differentiable simulation
Multi-physics coupling
Topology optimization
Automatic differentiation
Open-source software
JAX
