基拉韦厄火山的超长周期地震信号研究揭示了脱气爆发的震源机制。通过波形反演，震源定位于火山口下方约1公里，提出双裂缝模型为最佳解释，强调流体动力学在气体上升和爆发中的重要性。这项研究有助于理解火山内部流体动态，提升监测和预警能力。

我们的方法利用AI技术帮助数学家解决数学、物理和工程中的长期挑战。我们引入了一种新的数学奇点家族，首次系统性地发现了三种流体方程中的不稳定奇点，揭示了其潜在模式，这对理解流体动力学的基础问题至关重要。

研究人员提出了一种新方法，利用人工智能技术解决流体动力学中的挑战。他们发现了一类新的不稳定奇点，这对理解复杂的流体方程（如欧拉和纳维-斯托克斯方程）至关重要。这项研究结合了数学见解与先进的AI，标志着计算辅助数学研究的新纪元。

本研究提出了一种新颖的格子玻尔兹曼方法（LBM）与图神经网络（GNN）结合的方案，旨在提高流体动力学模拟的数值稳定性和准确性，并在高雷诺数下保持良好的守恒特性。

Trapcode 系列插件专为 After Effects 设计，功能强大，支持创建逼真效果。最新版本新增流体动力学、文本和遮罩发射器，提供多个预设和三维模型，兼容多个 Adobe 软件版本。

本研究提出了一种结合图神经网络与雷诺平均纳维-斯托克斯方程的混合方法，旨在解决传统神经网络在流体动力学中的物理一致性问题。该方法通过集成物理规律，提高了在数据稀缺情况下的预测准确性，特别适用于流体动力学应用。

MeshGraphNets是一种基于图神经网络的网格仿真框架，具有自适应性和高效性，适用于多种物理系统。研究提出了多种优化技术和分布式训练方法，显著提高了计算效率和准确性，解决了大规模节点的训练和推理问题。通过域分解和图神经网络，实现了流体动力学建模的可解释性和超分辨率效果。

本文介绍了一种混合神经网络，结合图卷积网络与流体动力学模拟，提升了CFD模拟的效率和准确性。研究表明，图神经网络在复杂几何形状下有效应用于流体动力学问题，显著降低了预测误差，提高了训练效率。

本文介绍了一种新型深度学习框架MeshfreeFlowNet，能够在低分辨率下生成连续的时空解，并在Rayleigh-Benard对流问题中表现优异。该框架支持在大型集群上高效训练，训练时间不到4分钟。此外，研究探讨了图神经网络在流体动力学中的应用，提出了新的几何表示方法和数据同化技术，以提高模型的预测能力和效率。

该研究探讨了深度强化学习在流体动力学和无人机控制中的应用，结合模型预测控制和神经网络，提出多种优化策略，显著提高样本效率和控制精度，尤其在动态环境下表现优异。这些方法有助于提升风力涡轮的能量生成效率，减少噪音污染，推动可持续能源发展。

本文介绍了多种基于神经网络的技术，用于从稀疏数据重建物理场和3D形状，包括神经核场、物理约束卷积神经网络（PC-CNN）和新型变分数据同化方案（VIVID）。这些方法在复杂流体动力学和气候数据处理方面表现出色，具有高分辨率和准确性，未来有望广泛应用于地球科学。

MeshGraphNets是一种基于图神经网络的框架，专用于物理系统仿真。研究提出了多种深度学习方法，包括基于PointNet的流场预测和新颖的“bi-stride”池化策略，显著提升了计算效率和准确性。此外，研究探讨了复杂几何形状下的流体动力学建模及其可解释性，提出了新的几何表示方法和混合模型PI-MGNs，以解决非稳态偏微分方程的模拟问题。

本文介绍了一种新型机器学习方法，旨在改进流体动力学中的通量限制器和数值离散化。通过高分辨率数据训练，该模型能够更准确地捕捉激波轮廓，提高预测系统未来状态的准确性和训练效率。此外，深度学习方法显著提升了二维湍流流动的计算精度和速度，展示了其在流体力学中的应用潜力。

本文探讨了图神经网络（GNNs）的主动对称性，提出了一种新的模型——栅格等变神经网络（LENNs）。研究表明，LENNs在流体动力学和物理系统建模中表现出优于传统方法的动态交互和预测精度，具有良好的泛化能力和数据效率。

本文探讨了机器学习在流体动力学中的应用，特别是卷积神经网络（CNN）和扩散模型，以提升偏微分方程求解的性能和泛化能力。提出的物理启发残差扩散模型有效提高了低保真数据的质量，实验结果显示该方法在重建二维湍流方面表现优异。此外，结合物理知识的神经网络框架增强了模型的效率和灵活性，适用于复杂物理系统的建模。

深度学习在设计偏微分方程的降阶模型中发挥了重要作用，尤其是在处理复杂和随机问题时。研究提出了一种基于神经网络的新方法，显著提高了对流主导现象的建模效率，并通过数据驱动的框架优化了分布式动力系统的简化模型。该框架在多个流体动力学问题上实现了高达100,000倍的加速和低于7%的相对误差，展示了深度学习在科学计算中的潜力。

本研究结合自动编码器与生成对抗网络，提出了一种新方法以降低空气动力学预测的时间与成本。通过图卷积自编码器和深度学习技术，实现了对复杂流体动力学问题的高效建模与降维，展现出良好的泛化能力和计算效率。