California Institute of Technology（加州理工学院）

Fluids You Can Trust: Property-Preserving Operator Learning for Incompressible Flows

你可以信任的流体：用于不可压缩流动的属性保持运算学习

Ramansh Sharma, Matthew Lowery, Houman Owhadi, Varun Shankar

机构 * Kahlert School of Computing（卡勒特计算学校） ； University of Utah（犹他大学） ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出了一种新的属性保持核运算学习方法，用于求解由不可压缩纳维-斯托克斯方程支配的不可压缩流动。该方法通过核基底将输入函数映射到输出函数的展开系数，确保预测速度场同时保持物理属性。实验表明，该方法在通用化时相对ℓ₂误差低至六量级，训练速度比神经运算快五量级。