Newest papers

RheOPT: Few-Shot Non-Newtonian Flow Prediction via Newtonian Pretraining of RheOFormer

Maedeh Saberi, Amir Barati Farimani, Safa Jamali · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31465 · open-access PDF

Hindi

संख्यात्मक विधियों में प्रगति के बावजूद, गैर न्यूटनन प्रवाह सिमुलेशन कंप्यूटर रूप से महंगा रहते हैं क्योंकि गति और तनाव को दर और इतिहास निर्भर संरचनात्मक गतिशीलता के माध्यम से एक साथ आगे बढ़ाया जाना चाहिए। न्यूरोलॉजिकल ऑपरेटर उपरोक्त प्रशिक्षण के बाद निष्कर्षण लागत को कम करते हैं, लेकिन उनके प्रशिक्षण डेटा को उसी महंगी सिमुलेशन की आवश्यकता होती है जिसे वे प्रतिस्थापित करना चाहते हैं, डेटा-प्रभावी सीखना आवश्यक बनाते हैं जब केवल कुछ गैर न्यूटनिक सिमुलेशन उपलब्ध होते हैं।

Machine translation (Meta M2M100); the English original follows.

Abstract

Despite advances in numerical methods, non-Newtonian flow simulations remain computationally expensive because velocity and stress must be advanced together through rate- and history-dependent constitutive dynamics. Neural-operator surrogates reduce inference cost after training, but their training data require the same expensive simulations they aim to replace, making data-efficient learning essential when only a few non-Newtonian simulations can be afforded. Here, we introduce the Rheological Operator Pretrained Transformer (RheOPT), which pretrains a transformer-based neural operator on ine

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange