.png){kind=icon}
返回
MeshONet: A generalizable and efficient operator learning method for structured mesh generation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108746.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网格生成在科学计算中扮演着至关重要的角色。传统的网格生成方法，如TFI和基于PDE的方法，往往难以在效率与网格质量之间取得平衡。为应对这一挑战，近期出现了基于物理信息的智能方法，在显著提升生成效率的同时保持了高质量的网格。然而，这些方法在应用于先前未见过的几何形状时泛化能力不足，因为即使边界形状发生微小变化，也需要进行繁琐的重新训练以适应新的几何变化。本文中，我们介绍了MeshONet，这是首个适用于结构化网格生成的泛化智能方法。该方法将网格生成任务转化为一个具有多输入和解决方案函数的算子学习问题。为有效克服算子学习方法的多变量映射限制，我们提出了一种双分支、共享主干架构，基于输入-输出对来近似函数空间之间的映射。实验结果表明，MeshONet在生成效率上相比传统方法最高可提升四个数量级。同时，它还能实现无需重新训练即可泛化至不同几何形状，极大地增强了智能方法的实用性。
Keyword:
structured mesh generation
operator learning
generalization
efficient computation
intelligent methods
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
引用论文
分享收藏Wavelet Neural Operator for solving parametric partial differential equations in computational mechanics problems求解计算力学问题中参数偏微分方程的小波神经算子
PREAI
分享收藏Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators基于算子通用逼近定理的DeepONet非线性算子学习
OAAI
OAAI分享收藏A comprehensive and fair comparison of two neural operators (with practical extensions) based on FAIR data基于公平数据的两个神经算子 (具有实际扩展) 的全面和公平比较OAAI
OAAI分享收藏
Developing a novel structured mesh generation method based on deep neural networks.png)
PHYSICS OF FLUIDS
PHYSICS OF FLUIDSIF4.3
PREAI
分享收藏Koopman neural operator as a mesh-free solver of non-linear partial differential equationsKoopman神经算子作为非线性偏微分方程的无网格求解器OAAI
OAAI分享收藏
查看更多内容