神经计算流体动力学：高保真汽车空气动力学仿真中的深度学习

本研究解决了神经网络仿真代理在工业规模实施中的挑战，包括对大型表面和体积网格的可扩展性及在有限的高保真数值仿真样本下的训练能力。我们提出了几何保持通用物理变换器（GP-UPT），其分离了几何编码和物理预测，优化了模型的可扩展性和迁移学习，使其在低保真至高保真仿真数据集中表现出色，且仅需一半的高保真数据即可达到从头训练模型的性能水平。