Imperial College London（帝国理工学院）

Optimal scenario design for climate emulation

气候模拟的最优情景设计

Christopher B. Womack, Shahine Bouabid, Andrei Sokolov, Popat Salunke, Glenn Flierl, Sebastian D. Eastham, Noelle E. Selin

机构 * Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与航天系，麻省理工学院） ； Center for Sustainability Science and Strategy, Massachusetts Institute of Technology（可持续科学与战略中心，麻省理工学院） ； Department of Earth, Atmospheric, and Planetary Sciences, Massachusetts Institute of Technology（地球、大气与行星科学系，麻省理工学院） ； Brahmal Vasudevan Institute for Sustainable Aviation, Department of Aeronautics, Imperial College London（可持续航空研究所，帝国理工学院伦敦校区） ； Institute for Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） 纠错

AI总结 针对气候模拟器泛化能力受限的问题，提出通过可微简单气候模型优化训练数据情景，使小数据集训练的模拟器性能优于标准情景集。

Acceleration of an algebraic multigrid pressure solver using graph neural networks

使用图神经网络加速代数多重网格压力求解器

Eric Chillón, Artur K. Lidtke, Nguyen Anh Khoa Doan, Bernat Font

机构 * Faculty of Mechanical Engineering, Delft University of Technology, The Netherlands（荷兰代尔夫特理工大学机械工程学院） ； Maritime Research Institute Netherlands, The Netherlands（荷兰海事研究院） ； Department of Aeronautics, Imperial College London, United Kingdom（英国伦敦帝国理工学院航空系） 纠错

AI总结 提出一种基于图卷积同构网络的代数多重网格平滑器，通过预测最优多项式系数构造稀疏伪逆算子，减少V-cycle迭代次数，在非结构化网格上实现4%-37%的加速，并泛化至训练时未见的大规模网格。

Comments 23 pages, 11 figures

A finite-element-inspired bipartite graph learned simulator for manufacturability assessment in large-deformation sheet forming

基于交叉注意力的二分图神经网络用于大变形板材成形中节点和单元场的耦合预测

Yingxue Zhao, Haoran Li, Haosu Zhou, Tobias Pfaff, Nan Li

机构 * Dyson School of Design Engineering（设计工程学院） ； Imperial College London（帝国理工学院伦敦分校） ； NVIDIA（NVIDIA公司） 纠错

AI总结 提出交叉注意力二分图神经网络（CAtt-BiGNN），通过节点-单元二分图结构和边感知交叉注意力机制，实现大变形板材成形中节点位移增量和单元减薄量的耦合预测。