MeshONet: Un método de aprendizaje de operadores generalizable y eficiente para la generación de mallas estructuradas

Área de la Ciencia:

• Computación Científica
• Ciencia Computacional
• Inteligencia Artificial en Ingeniería

Sus antecedentes:

• Los métodos tradicionales de generación de mallas (TFI, basados en PDE) enfrentan desafíos para equilibrar la eficiencia y la calidad.
• Los métodos inteligentes con información física mejoran la eficiencia pero carecen de generalización a nuevas geometrías, lo que requiere reentrenamiento.
• La generación de mallas estructuradas generalizable y eficiente es fundamental para la computación científica.

Objetivo del estudio:

• Presentar MeshONet, el primer método inteligente generalizable para la generación de mallas estructuradas.
• Abordar las limitaciones de los métodos existentes en términos de eficiencia, calidad y adaptabilidad a diversas geometrías.
• Transformar la generación de mallas en un problema de aprendizaje de operadores que pueda ser resuelto por una arquitectura de red neuronal novedosa.

Principales métodos:

• La generación de mallas se enmarca como un problema de aprendizaje de operadores con múltiples funciones de entrada/solución.
• Se propone una arquitectura de red neuronal de doble rama y tronco compartido para manejar mapeos de espacios de funciones.
• El método aprende de pares de entrada-salida para aproximar el complejo mapeo para la generación de mallas.

Principales resultados:

• MeshONet logra una aceleración de hasta cuatro órdenes de magnitud en comparación con los métodos tradicionales.
• El método demuestra capacidades de generalización, adaptándose a geometrías no vistas sin reentrenamiento.
• Se mantiene una alta calidad de malla junto con importantes mejoras en la eficiencia.

Conclusiones:

• MeshONet representa un avance en la generación de mallas estructuradas inteligentes generalizables.
• El enfoque de aprendizaje de operadores propuesto y la arquitectura de red abordan eficazmente las limitaciones previas.
• Este avance mejora significativamente la practicidad y aplicabilidad de la IA en la generación de mallas para la computación científica.