Simulacija fluida s umjetnom inteligencijom 15 puta brža
Tradicionalne simulacije fluida temeljene na česticama, ključne za predviđanje ponašanja valova u oceanskim primjenama, zahtijevaju opsežne računalne resurse. Nova metoda temeljena na graf neuronskim mrežama (GNN) smanjuje vrijeme računanja s za 15 puta
Tradicionalne simulacije fluida temeljene na česticama, ključne za predviđanje ponašanja valova u oceanskim primjenama, zahtijevaju opsežne računalne resurse. Nova metoda temeljena na graf neuronskim mrežama (GNN) razvijena na Sveučilištu Osaka Metropolitan smanjuje vrijeme računanja s 45 minuta na samo 3 minute, prenosi istraživanje ScienceDirect.
Ovo otkriće rješava poznati izazov umjetne inteligencije s generalizacijom. Prethodni modeli strojnog učenja za dinamiku fluida imali su poteškoća sa scenarijima različitim od njihovih podataka za treniranje. Tim iz Osake stvorio je model za rukovanje različitim fluidnim fenomenima s dosljednom preciznošću.
Njihov simulator temeljen na graf neuronskoj mreži (GNS-WP) održavao je visoku preciznost čak i kada je primijenjen na scenarije fluida koji nisu bili uključeni u njegove podatke za treniranje. Sposobnost modela da rukuje većim vremenskim koracima od konvencionalnih metoda posebno je značajna. UI model ostao je stabilan s vremenskim koracima do deset puta većim od podataka za treniranje.
