- 博客(153)
- 收藏
- 关注
RSS订阅原创 【神经网络干货】把指数级计算拆成四条一维路径：可分离 PI-DeepONet 如何破解高维 PDE
把高维 PI-DeepONet 的计算瓶颈拆开来看：坐标组合带来指数级前向传播，反向自动微分又制造巨大雅可比。可分离 PI-DeepONet 为每条一维坐标配置子网络，用低秩外积重建解场，并以前向自动微分计算 PDE 残差，使成本随离散密度和维度近似线性。Burgers、Biot 固结和参数化热方程结果显示，在保持相近精度的同时，训练可提速约两个数量级，四维热方程从预计 289 小时降至约 2.5 小时。
2026-10-18 08:26:09
256
2
原创 【零基础学智能仿真-55】CFD入门与OpenFOAM案例结构
本节从质量守恒和动量守恒出发，建立CFD基础认知，并以平行板充分发展层流推导速度、流量和雷诺数，形成可手算核对的物理基准。结合OpenFOAM案例目录，理解初始场、物性、离散格式与求解控制的分工，重点辨析动力黏度与运动黏度、物理压力与运动压力。配套独立Python解析程序、实测输出与结果图，为后续网格、边界条件及自动化工作流做好准备。
2026-10-18 08:21:13
439
原创 为什么神经网络对对抗扰动和分布偏移往往比较脆弱，而人类感知相对更鲁棒？
神经网络对对抗扰动和分布偏移的脆弱性，根源在于其：神经网络倾向于利用数据中的“虚假相关性”（非鲁棒特征）进行高频拟合，而人类视觉系统则依赖因果结构和语义上下文进行低频、全局的感知。### 1. 核心差异对比：机器统计拟合 vs. 人类因果感知。
2026-10-18 08:07:28
167
原创 为什么深层神经网络比浅层网络具有更强的表达优势，这种优势的理论来源是什么？
| 核心维度 | 浅层网络 (Shallow Network) | 深层网络 (Deep Network) | 理论依据与优势解析 |
2026-10-18 08:05:45
117
原创 【零基础学智能仿真-54】参数化仿真与敏感度分析
本节承接多智能体有限元工作流，以均匀拉杆为对象，完成材料、截面与载荷的18组参数化计算。通过工况编号、单位记录、逐工况质量检查与失败留档，建立可追溯数据集；再用中心差分计算局部无量纲敏感度，解释位移与应力对参数变化的不同响应，辨析局部导数、全局贡献和特征重要性。配套完整代码、实测输出及结果图，为自动化参数研究和后续代理建模打基础。
2026-10-17 10:33:15
265
2
原创 【神经网络干货】让电池 PDE 进入毫秒级：参数嵌入神经算子如何构建可泛化数字孪生
把锂离子电池的扩散 PDE 看成“输入函数到解函数”的算子映射：电流、初始浓度、颗粒半径和扩散系数进入网络，输出完整的时空浓度场与端电压。对比 DeepONet、FNO、U-Net 后，参数嵌入 FNO 在不同 SOC、动态电流、材料参数和网格分辨率下保持亚百分比级误差，并以微秒至毫秒级延迟完成推理。它还能嵌入贝叶斯优化反推扩散系数，为实时 BMS、快充控制和数字孪生提供高速前向模型。
2026-10-17 10:10:36
234
原创 为什么神经网络的损失函数通常是非凸的，梯度下降却仍能找到泛化性能较好的解？
神经网络损失函数的高度非凸性源于多层非线性变换的复合，理论上存在无数局部极小值和鞍点。然而，梯度下降（尤其是随机梯度下降 SGD）及其变体之所以能在此类地形中找到泛化性能优异的解，核心原因在于以及的协同作用。
2026-10-17 10:03:54
155
原创 为什么神经网络在过参数化情况下仍能泛化，而不是简单地记住训练数据？
神经网络在过参数化（参数数量远超样本数量）情况下仍能保持良好泛化能力，而非单纯记忆训练数据，其核心机制并非传统统计学习理论所预测的“容量过大导致过拟合”，而是源于以及三者的协同作用。
2026-10-17 09:58:06
158
原创 【零基础学智能仿真-53】多智能体协作——有限元自动化实战从工程需求到可审核的仿真报告
本节承接上一节的仿真质量检查，将需求分析、几何建模、网格划分、求解、后处理和报告组织成职责明确的协作流程。通过一个真实求解的一维杆有限元案例，学习结构化任务交接、状态管理和独立质量检查，并通过缺失参数、求解失败与结果篡改测试，理解系统何时应继续、暂停或拒绝发布结果。本节采用Python函数模拟协作角色，不调用大模型或Abaqus，为后续接入真实智能体与CAE求解器建立可验证的基础。
2026-10-16 09:07:31
351
1
原创 【神经网络干货】把 6000 万参数压到 1 万：我如何用“小模型”读懂灵长类视觉皮层
把“预测得准”和“解释得清”放进同一条建模路线：先用混合深度集成预测猕猴 V4 神经元，再用知识蒸馏与结构化剪枝，把约 6000 万参数压缩到约 1 万，预测性能仍保持较高水平。紧凑模型显示，早期视觉表征可以共享，后期通过整合步骤形成神经元特异的选择性；对点状刺激的分析还给出了兴奋性角点检测与抑制性大边缘读出的可检验回路假设。
2026-10-16 09:06:54
227
原创 【零基础学智能仿真-52】Abaqus 仿真质量保证与回归测试
当智能体能够自动建模、提交作业和提取结果后，如何判断仿真是否可靠？本节围绕带孔板拉伸案例，建立“输入核查—作业状态—物理校验—基准对比—报告归档”的质量保证流程。通过仅依赖Python标准库的可运行示例，学习识别力不平衡、结果异常偏移、数据缺失和提取口径变化，理解回归测试的作用与边界，为后续多智能体仿真协作建立可检查、可追溯的验收机制。
2026-10-15 08:40:10
457
8
原创 【神经网络干货】让芯片从稀疏观测中“脑补”三维世界：神经场与阻变存储的存算一体路线
把神经场的连续表示能力与阻变存储的存算一体架构放进同一条设计链路：用坐标查询替代密集像素存储，用低秩分解和结构化剪枝压缩 MLP，用器件随机性完成高斯编码，再用硬件感知量化抵消写入噪声。结果显示，系统能从稀疏 CT 切片、少量视角和动态场景中恢复连续信息，同时保持较高 PSNR/SSIM，并在投影能效上显著领先传统 GPU/NPU。真正的关键不是单一加速倍数，而是让表示、模型、器件和任务指标共同设计。
2026-10-15 08:38:48
335
1
原创 为什么物理嵌入神经网络在处理高维、多尺度、强非线性或激波问题时常常遇到困难？
物理嵌入神经网络（PINN）在处理高维、多尺度、强非线性或激波问题时遭遇困难，其根本原因在于，以及导致优化器难以收敛。
2026-10-15 08:01:17
149
1
原创 为什么物理嵌入神经网络需要自动微分，它与传统数值微分相比优势和代价是什么？
物理嵌入神经网络（如 PINN）之所以必须依赖自动微分（AD），核心在于其损失函数构建机制需要将偏微分方程（PDE）的残差直接嵌入优化目标中。与传统数值微分相比，自动微分在精度、维度扩展性及计算图整合上具有显著优势，但也带来了内存占用和实现复杂度的代价。### 1. 核心需求：为什么需要自动微分？物理信息神经网络（PINN）的核心思想是将物理定律（通常表现为微分方程）作为正则化项加入神经网络的损失函数中。
2026-10-15 07:58:51
139
原创 为什么物理嵌入神经网络要把物理方程残差加入损失函数，而不是直接作为网络结构的硬约束？
物理嵌入神经网络（PINN）将物理方程残差加入损失函数（软约束），而非直接作为网络结构的硬约束，核心原因在于。硬约束要求解在无穷多个点上严格满足方程，这在计算上不可行且会过度限制网络的拟合能力；而软约束通过有限配点采样和自动微分，将“满足方程”转化为一个可优化的统计目标，在保持模型灵活性的同时实现物理正则化。
2026-10-14 11:33:24
127
2
原创 为什么物理嵌入神经网络中的边界条件、初始条件和守恒律需要不同的嵌入方式？
物理嵌入神经网络（PINN）中，边界条件（BC）、初始条件（IC）和守恒律（PDE残差）之所以需要不同的嵌入方式，根本原因在于它们在数学上对解空间的：BC/IC 是，必须在特定点集上严格成立；而守恒律是，需要在整个域内统计意义上满足。若混淆处理方式，会导致训练发散、边界层误差巨大或物理量不守恒。
2026-10-14 11:31:18
194
1
原创 【零基础学智能仿真-51】AutoAbaqusAgent自主AI智能体——从自然语言到可信Abaqus仿真
本节介绍AutoAbaqusAgent如何将自然语言工程需求转化为可审查的Abaqus仿真任务。学习者将掌握需求澄清、任务规划、工具调用、作业监控、ODB提取、物理契约校验和报告生成的完整闭环，并通过带圆孔平板案例理解“自主仿真”的边界：智能体可以组织和执行流程，但材料参数、模型假设与异常修改仍需留下明确证据。
2026-10-14 02:52:34
705
1
原创 【神经网络干货】只拍一张全息图，如何看见细胞的三维形态？
把 MorpHoloNet 理解为一种“用物理规律约束神经网络”的单帧三维显微方法。它把三维坐标输入坐标网络，预测每个体素的占据值和相位，再用角谱法模拟光在细胞内部的传播，让模拟全息图与相机实测图逐像素对齐。这样只需一张数字内联全息图，就能同时恢复细胞的三维形态、折射率分布和运动变化。红细胞、藻细胞与大肠杆菌的实验展示了它在无标记动态观察中的潜力，也暴露出多重散射、深度定位和训练速度等现实边界。
2026-10-14 02:50:30
231
原创 为什么物理嵌入神经网络的收敛性和泛化误差缺乏统一的理论保证？
物理嵌入神经网络（PINN）收敛性与泛化误差缺乏统一理论保证的核心原因，在于其以及。现有的理论框架难以同时涵盖任意偏微分方程（PDE）的复杂性、网络架构的多样性以及训练动态的非线性耦合。
2026-10-13 10:03:52
121
2
原创 为什么物理嵌入神经网络在反问题中通常比在正问题中表现更好？
物理嵌入神经网络（如 PINN）在反问题中表现优于正问题，核心原因在于恰好能被物理约束有效正则化，而正问题中物理约束带来的计算开销往往大于其带来的收益。
2026-10-13 10:01:54
139
2
原创 【零基础学智能仿真-50】让智能体安全调用仿真工具：状态反馈、错误处理与结果核查
上一节，我们将自然语言需求整理成经过校验的仿真任务书。本节继续完成智能体工作流：如何按顺序调用工具、区分“工具调用成功”与“求解成功”，以及在许可证故障、结果缺失和物理量异常时停止流程。通过一个不连接 Abaqus 的模拟程序，学习者可以先掌握可观察、可中止的仿真闭环，再将其接入真实求解器。
2026-10-13 08:56:15
581
1
原创 【神经网络干货】把“旋转”变成存储地址：扭转衍射神经网络让一枚
理解为一种把“结构旋转角”变成存储地址的光学方法。两层超表面不必更换入射波长、偏振或角度，只需改变层间扭转，就能切换不同的衍射域和全息图。通过 Pancharatnam–Berry 相位纳米柱、快速傅里叶衍射计算与三维激光打印，超表面磁盘可以在有限体积内复用大量图像，并演示动态聚焦、月相视频和加密显示。它的关键价值，是用机械或结构自由度换取容量、功能与可重构性。
2026-10-13 08:55:44
371
1
原创 为什么物理嵌入神经网络中的边界条件、初始条件和守恒律需要不同的嵌入方式？
物理嵌入神经网络之所以要对三者区别对待，归根结底是为了在有限的计算预算下，平衡“严格性”与“可优化性”。约束类型推荐嵌入策略核心理由简单几何/定值 BC & IC**硬约束 **(Hard Constraint)(修改输出层架构)数学上最严谨，消除超参数调优，确保绝对满足。复杂几何/导数 BC软约束 + 动态权重(Loss 加权 + 自适应采样)难以构造解析变换，需依靠优化器平衡，但需防止被 PDE 项淹没。**守恒律 **(PDE)软约束 + 高级优化策略。
2026-10-12 08:34:35
157
2
原创 【神经网络干货】把神经网络刻进 20 微米芯片：逆向设计如何让光学计算变得超紧凑
可以把逆向设计纳米光子神经网络理解为一种“先定义任务，再让电磁场寻找结构”的计算方法。与把多个标准器件拼成网络不同，它直接在三维硅光散射区域中优化亚波长体素，让光的干涉、散射和能量路由共同完成分类。借助 Maxwell 方程的线性，训练所需的全波仿真可拆成彼此独立的输入和输出模式，天然适合 GPU 并行。20×20 微米和 30×20 微米芯片已完成 MNIST、MedNIST 实验验证，准确率分别达到 89% 和 90%。
2026-10-12 08:30:08
430
1
原创 为什么物理嵌入神经网络不能完全替代有限元、有限体积等传统数值求解器？
物理嵌入神经网络（如 PINN、GNN 等）虽然在无网格性、反问题求解及高维参数化方面展现出独特优势，但在可预见的未来仍无法完全替代有限元（FEM）、有限体积法（FVM）等传统数值求解器。核心瓶颈在于。
2026-10-12 08:24:42
165
2
原创 【零基础学智能仿真-49】力学仿真智能体初探：从自然语言到可核查的仿真任务
前几节课，我们已经能够生成 Abaqus 模型、提取 ODB 数据并检查计算结果。本节让智能体加入这条流程：它负责理解需求、发现缺失条件、整理任务书，却不能凭空补全材料参数或把预测值当作求解结果。我们以两单元受拉杆为例，编写一个仅用 Python 标准库的输入校验程序，为后续工具调用和自动化仿真建立可靠入口。
2026-10-12 08:20:04
322
原创 【免费导读】智能力学仿真：学习路线、章节导航与购买说明
智能力学仿真专栏的免费学习导航：按有限元基础、Abaqus自动化、AI代理模型三条路线选读，了解环境要求、章节入口、专栏与会员阅读权益、代码和下载资源的获取范围，购买前先确认内容是否适合自己的任务。
2026-10-11 10:45:52
14
原创 【零基础学智能仿真-48】Abaqus全场数据提取：节点位移与积分点应力不能混成一张表
上一节建立了18个参数化工况，并把通过验收的整体响应整理成数据集。本节进一步打开 ODB，提取每个工况的节点位移、坐标、反力，以及单元积分点的应力和应变。学习者将掌握全场数据的定位键，理解“节点值”和“积分点值”为何必须分表保存，并避免把可视化软件平滑后的节点应力误认为求解器的原始应力。
2026-10-11 08:16:37
420
原创 【神经网络干货】让一条波导同时“感知”和“回应”：非互易表面等离激元神经网络
光传播本身就是并行计算，但传统结构通常前后对称，感知与响应只能共享同一套权重。非互易表面等离激元网络改变了这一点。借助磁光效应，前向传播和后向传播可以在同一硬件中执行不同算子；再配合频分复用与反馈波导，积分、边缘检测和矩阵求逆被组织成一个可重构的模拟计算系统。真正重要的并非某个单一算子，而是方向、频率和磁化状态共同成为“编程旋钮”，让物理网络从固定电路走向可复用的智能基础设施。
2026-10-11 08:15:18
353
原创 为什么物理嵌入神经网络在数据稀缺时仍能学到符合物理规律的解？
物理嵌入神经网络在数据稀缺时有效的根本原因，是将数据拟合问题转化为了约束优化问题。它不等待数据来告诉它“是什么”，而是利用物理定律主动推断“必须是什么”。通过自动微分计算的物理残差提供了稠密的梯度信息，将神经网络的解强行拉回到符合自然规律的流形上，从而实现了在小样本甚至无样本条件下的高精度求解。
2026-10-11 08:10:15
134
原创 物理嵌入提升神经网络泛化能力
物理嵌入神经网络通过嵌入物理约束提升数据效率增强可解释性减少过拟合风险以及支持多物理场耦合与跨领域迁移，显著提升了模型的泛化能力。这种方法在工程仿真、科学计算、材料建模等领域具有广泛的应用前景。
2026-10-11 08:06:57
209
原创 物理嵌入神经网络类型解析
物理嵌入的神经网络主要包括物理信息神经网络（PINN）HIBL算子与物理嵌入光学神经网络可微分物理建模和物理嵌入的混合神经网络。这些方法通过将物理定律或科学原理嵌入到神经网络中，提升了模型的准确性、可解释性和泛化能力，广泛应用于流体力学、固体力学、机器人控制、化学动力学等领域。
2026-10-11 08:05:25
195
原创 为什么在复杂几何条件下PINN采样效率低
在复杂几何条件下，PINN的采样效率低主要由于几何复杂性导致采样密度需求增加、物理约束复杂性增加、优化过程收敛性差、计算资源消耗大等因素。尽管PINN在无网格和高维问题中具有优势，但在复杂几何场景下，其效率可能不如传统有限元方法。
2026-10-10 10:06:24
111
1
原创 为什么在复杂几何中PINN的求解效率低？
在复杂几何中，PINN的求解效率低主要由于采样密度需求高、物理约束复杂、优化收敛性差、计算资源消耗大等因素。尽管PINN在无网格和高维问题中具有优势，但在复杂几何场景下，其效率可能不如传统有限元方法。
2026-10-10 10:02:44
202
原创 为什么PINN非常适合求解有限元模型
PINN通过无网格方法、自动微分和损失函数设计，能够在复杂几何、高维问题和反问题中高效求解有限元模型。其灵活性和适应性使其成为传统有限元方法的重要补充。
2026-10-10 09:58:45
159
1
原创 【零基础学智能仿真-47】Abaqus参数化批处理：从单个模型到可追溯的仿真数据集
怎样把 Abaqus 参数化模型变成可追溯的数据集？本文以材料、截面积和载荷组合生成 18 个拉杆工况，串联输入文件、顺序求解、ODB 验收与 CSV 合并。只汇总通过检查的结果，并说明工况编号、数据追溯和训练测试划分中的常见问题，适合学习批量仿真与数据管道。
2026-10-10 08:15:44
268
1
原创 【神经网络干货】细胞如何排成同一方向？Vangl1 六聚体给出的分子答案
把 Vangl1 看成连接“细胞内方向”和“细胞间协作”的膜上支架。冷冻电镜显示，它可由两个三聚体组成六聚体；三层结构、中央腔体和脂质结合位点共同塑造稳定性。六聚体更容易招募 Prickle1，而疾病相关突变集中在脂质口袋、腔体和寡聚界面。这个结构让我看到，平面细胞极性并非抽象信号，而是由膜蛋白的装配、伙伴结合和运输共同实现的分子秩序。
2026-10-10 08:14:30
332
原创 如何选对刚性方程隐式求解器
刚性方程（Stiff ODE）是指系统中存在多个时间尺度差异极大的动态过程，其中某些模式衰减非常快，而其他模式变化较慢。这种特性使得数值求解时需要极小的步长以捕捉快速衰减的模式，否则会导致数值不稳定或计算效率低下。
2026-10-09 09:03:41
130
2
原创 选择隐式方法求解刚性ODE
刚性方程（Stiff ODE）是指系统中存在多个时间尺度差异极大的动态过程，其中某些模式衰减非常快，而其他模式变化较慢。这种特性使得数值求解时需要极小的步长以捕捉快速衰减的模式，否则会导致数值不稳定或计算效率低下。
2026-10-09 09:02:18
141
【零基础学智能仿真-21】交叉验证 - 让力学预测的误差评估真正可信
2026-09-17
【零基础学智能仿真-20】回归模型评估指标-如何判断力学预测“准不准”
2026-09-16
【零基础学智能仿真-19】超参数调优-用贝叶斯优化寻找更好的力学预测模型
2026-09-14
【零基础学智能仿真-18】深度学习训练策略-优化器、正则化与稳定收敛
2026-09-13
【零基础学智能仿真-17】Transformer与注意力机制-建立力学场中的全局联系
2026-09-11
【零基础学智能仿真-16】循环神经网络与LSTM/GRU-学习力学响应的历史记忆
2026-09-11
【零基础学智能仿真-15】卷积神经网络（CNN）- 从有限元场中提取空间特征
2026-09-10
【零基础学智能仿真-13】Stacking堆叠集成与模型融合-让多个模型学会协作
2026-09-08
【零基础学智能仿真-14】神经网络基础-从集成学习走向深度学习
2026-09-08
流体力学+N-S方程+CFD模拟
2026-08-26
Token的成本到底是多少？
2026-09-06
TA创建的收藏夹 TA关注的收藏夹
TA关注的人