[发明专利]物体仿真方法、模型训练方法、装置、设备及存储介质

说明书

本公开提供了一种物体仿真方法、模型训练方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及深度学习领域。具体实现方案为：根据目标对象的几何结构，确定多个当前采样点；基于深度学习模型的当前参数，将多个当前采样点的多个采样点信息输入深度学习模型，分别得到用于多个当前采样点的多个物理信息；根据多个物理信息，确定当前采样点的损失值；响应于检测到多个当前采样点的总损失值大于等于损失阈值，根据多个当前采样点各自的损失值和/或梯度，调整当前参数并将多个当前采样点改变为其他多个采样点，并返回输入操作；以及响应于检测到多个当前采样点的总损失值小于阈值，基于当前参数，确定经训练的深度学习模型。

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习领域，更具体地，本公开提供了一种物体仿真方法、深度学习模型的训练方法、装置、电子设备、存储介质以及计算机程序产品。

背景技术

在CFD(计算流体动力学，Computational Fluid Dynamics)、CAE(计算机辅助工程分析，Computer Aided Engineering)仿真中，网格质量与计算的收敛性以及结果的准确性直接相关。在深度学习中，可以使用无网格化的处理方式来确定采样点，然后基于采样点训练深度学习模型。然而，忽略了实际物理问题边界层、网格结构等问题，导致深度学习模型的收敛性较差。

发明内容

本公开提供了一种物体仿真方法、深度学习模型的训练方法、装置、电子设备、存储介质以及计算机程序产品。

根据本公开的一方面，提供了一种物体仿真方法，包括：根据待仿真对象的几何结构，确定多个目标点；将多个目标点的多个目标点信息输入深度学习模型，深度学习模型输出多个目标点的物理信息；以及根据多个目标点的物理信息进行仿真；其中，深度学习模型是利用以下训练方法训练得到的：基于深度学习模型的当前参数，将目标对象的多个当前采样点的多个采样点信息输入深度学习模型，分别得到用于多个当前采样点的多个物理信息；根据多个物理信息，确定用于多个当前采样点各自的损失值；以及响应于检测到多个当前采样点的总损失值大于等于损失阈值，根据多个当前采样点各自的损失值和梯度中的至少一个，调整当前参数并将多个当前采样点改变为其他多个采样点，得到调整后的参数和改变后的采样点；和将调整后的参数作为当前参数，将改变后的采样点作为多个当前采样点，并返回输入操作，直至总损失值小于损失阈值；其中，待仿真对象和目标对象分别包括固态物体和流体中的至少一个，目标点信息和采样点信息分别包括空间坐标信息。

根据本公开的另一方面，提供了一种深度学习模型的训练方法，包括：基于深度学习模型的当前参数，将目标对象的多个当前采样点的多个采样点信息输入深度学习模型，分别得到用于多个当前采样点的多个物理信息；目标对象包括固态物体和流体中的至少一个，采样点信息包括空间坐标信息；根据多个物理信息，确定用于多个当前采样点各自的损失值；响应于检测到多个当前采样点的总损失值大于等于损失阈值，根据多个当前采样点各自的损失值和梯度中的至少一个，调整当前参数并将多个当前采样点改变为其他多个采样点，得到调整后的参数和改变后的采样点；和将调整后的参数作为当前参数，将改变后的采样点作为多个当前采样点，并返回输入操作；以及响应于检测到多个当前采样点的总损失值小于阈值，基于当前参数，确定经训练的深度学习模型。