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

Korean

숫자적 방법의 진보에도 불구하고, 비뉴턴의 흐름 시뮬레이션은 속도와 스트레스가 속도와 역사에 의존하는 구성 역학을 통해 함께 발전해야하기 때문에 계산적으로 비싸다. 신경 작동자 대리인은 훈련 후 추론 비용을 줄이지만, 그들의 훈련 데이터는 그들이 대체하려는 동일한 비싼 시뮬레이션을 필요로하며, 단지 몇 가지 비뉴턴의 시뮬레이션만을 제공할 수있을 때 데이터 효율적인 학습이 필수적입니다.

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