使用卷积网络加速欧拉流体模拟

高效模拟流体流动的纳维-斯托克斯方程是应用数学中的一个长期问题，现有的最先进方法需要大量计算资源。在本工作中，我们提出了一种数据驱动的方法，结合深度学习的近似能力和标准求解器的精确性，以获得快速且高度逼真的模拟。我们的方法使用标准算子分裂法求解不可压缩的欧拉方程，其中必须解决一个具有许多自由参数的大型稀疏线性系统。我们使用一种高度定制的架构的卷积网络，通过一种新颖的无监督学习框架来训练，以求解线性系统。我们展示了实时的二维和三维模拟，优于最近提出的数据驱动方法；获得的结果真实，并且显示出良好的泛化特性.