کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
In this paper, we propose a domain-decomposition-based deep learning (DL) framework, named transient-CoMLSim, for accurately modeling unsteady and nonlinear partial differential equations (PDEs). The framework consists of two key components: (a) a convolutional neural network (CNN)-based autoencoder architecture and (b) an autoregressive model composed of fully connected layers. Unlike existing state-of-the-art methods that operate on the entire computational domain, our CNN-based autoencoder computes a lower-dimensional basis for solution and condition fields represented on subdomains. Timestepping is performed entirely in the latent space, generating embeddings of the solution variables from the time history of embeddings of solution and condition variables. This approach not only reduces computational complexity but also enhances scalability, making it well-suited for large-scale simulations. Furthermore, to improve the stability of our rollouts, we employ a curriculum learning (CL) approach during the training of the autoregressive model. The domain-decomposition strategy enables scaling to out-of-distribution domain sizes while maintaining the accuracy of predictions -- a feature not easily integrated into popular DL-based approaches for physics simulations. We benchmark our model against two widely-used DL architectures, Fourier Neural Operator (FNO) and U-Net, and demonstrate that our framework outperforms them in terms of accuracy, extrapolation to unseen timesteps, and stability for a wide range of use cases.
چکیده به فارسی (ترجمه ماشینی)
در این مقاله ، ما برای مدل سازی دقیق معادلات دیفرانسیل جزئی ناپایدار و غیرخطی (PDES) ، یک چارچوب یادگیری عمیق مبتنی بر دامنه (DL) به نام های گذرا-کملسیم را پیشنهاد می کنیم.این چارچوب از دو مؤلفه اصلی تشکیل شده است: (الف) معماری اتوآنکودر مبتنی بر شبکه عصبی (CNN) و (ب) یک مدل خودکار که از لایه های کاملاً متصل تشکیل شده است.بر خلاف روشهای پیشرفته موجود که در کل دامنه محاسباتی کار می کنند ، Autoencoder مبتنی بر CNN ما مبنای بعدی کمتری را برای زمینه های محلول و شرایط نشان داده شده در زیر دامنه محاسبه می کند.Timestepping کاملاً در فضای نهفته انجام می شود و از تاریخچه تعبیه متغیرهای محلول و شرایط ، تعبیه متغیرهای محلول را تولید می کند.این رویکرد نه تنها پیچیدگی محاسباتی را کاهش می دهد بلکه باعث افزایش مقیاس پذیری می شود و آن را برای شبیه سازی های در مقیاس بزرگ مناسب می کند.علاوه بر این ، برای بهبود ثبات در زمینه های خود ، ما از یک رویکرد یادگیری برنامه درسی (CL) در طول آموزش مدل خودگردانی استفاده می کنیم.استراتژی تخریب دامنه باعث می شود ضمن حفظ صحت پیش بینی ها ، مقیاس بندی را به اندازه دامنه خارج از توزیع تبدیل کند-یک ویژگی که به راحتی در رویکردهای مبتنی بر DL محبوب برای شبیه سازی های فیزیک ادغام نمی شود.ما مدل خود را در برابر دو معماری DL به طور گسترده استفاده شده ، اپراتور عصبی فوریه (FNO) و U-NET معیار می کنیم و نشان می دهیم که چارچوب ما از نظر دقت ، برون یابی به زمان های غیب و پایداری برای طیف گسترده ای از موارد استفاده بهتر است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
