深度学习助力科学计算与工程 加速求解高维PDE

偏微分方程，又称PDE，通常用于刻划或描述复杂物理模型用于解决许多物理和工程领域的难题，如流体动力学中的Navier-Stokes方程组、电磁场理论中的Maxwell方程组和量子力学中的Schrödinger方程等。但高维PDE通常难以求解, 传统算法在处理高维PDE时将面临“维度灾难”，复杂计算度难以想象。

深度学习，正在成为加速科学计算及其高质量发展的重要推动力，将数据与物理机理相结合，实现加速求解高维PDE，尤其是应用于工业设计仿真等领域涉及的“老大难”：多物理场耦合问题。

利用神经网络求解高维PDE，突破多项传统难题

多物理场耦合问题核心难点在于，流体和结构复杂相互作用，会引起动力荷载，进而导致抖振、涡振、驰振、颤振等流致振动，影响结构安全与服役年限。传统的数值计算需要画网格，计算量巨大，并且是一个不断试错的过程，对高维求解具有维度灾难问题。

然而通过神经网络高维表征建立高维输入到输出的函数映射，可以解决维度灾难，将一个含有单独隐藏层的神经网络结构，给定充分的神经元，这个神经网络可以以任意精度逼近任意函数。利用深度学习技术求解高维PDE，可以在某些复杂场景解决传统科学计算所面临的难度高、时间长、跨尺度模拟等挑战，实现数据与物理机理相结合的大规模科学研究。

曙光智算&百度飞桨强强联合 突破传统受限加速科学计算

在曙光智算AC平台上，百度飞桨联合曙光完成了PaddleHelix-PaddleFold的部署，同时针对2D非定常圆柱绕流流场模拟做到了更大的网格数更少监督数据及更长尺度的模拟。

曙光智算AC平台目前已接入飞桨计算组件，并通过联合培训课程，大赛底层支撑（“先导杯“大赛的平台支撑），让广大算力服务用户获得更好的飞桨使用体验，持续优化提升双方共同打造的行业标杆。

关注“中科曙光”抖音号、视频号

Get更多内容

往期回顾