突破边界：基于可扩展物理信息神经偏微分方程求解器的分布式域分解
原文中文，约400字，阅读约需1分钟。发表于：。Mosaic Flow 是一种新颖的域分解方法，通过推理利用在小域上预训练的网络，在大域上纯粹进行偏微分方程求解，实现高度的可重用性。本文介绍了 Mosaic Flow 的端到端并行化，将数据并行训练和域并行化相结合，用于大规模问题的推理。通过优化网络架构和数据并行训练，我们将学习拉普拉斯算子的训练时间显著缩短为 32 个 GPU 上的几分钟。此外，我们的分布式域分解算法使得在 32 个...
Mosaic Flow是一种新颖的域分解方法，通过在小域上预训练网络，实现在大域上的偏微分方程求解。优化网络架构和数据并行训练，将学习拉普拉斯算子的训练时间缩短为几分钟。分布式域分解算法使得在32个GPU上能够解决大于训练域4096倍的拉普拉斯方程，展示了较强的扩展性和精度。Mosaic Flow的可重用性和分布式内存算法的性能改进，使其成为建模复杂物理现象和加速科学发现的有前景工具。
