主管：本·莫斯利（Ben Moseley）关键字：多尺度模拟，物理知识的神经网络，多GPU计算，多级方法，di =构成方程，科学的机器学习背景科学研究依赖于我们模拟科学现象的能力。从了解生物系统如何与建模宇宙的演变相互作用，模拟使我们能够预测特性，检验假设和探索可能是di = icult的场景，可以通过实验进行研究。我们今天对研究的许多物理系统表现出强烈的多尺度现象。这些系统的特征是它们在多个空间和时间尺度上的复杂相互作用，例如，在全球气候模型中云与大气循环的相互作用，或形成层次暗物质结构。准确地进行多尺度模拟会带来一个重要的挑战，因为它需要可以正确捕获这些相互作用的复杂模型。此外，传统数值模拟的计算成本（例如有限的di =和有限元建模）可能是巨大的，需要为每个仿真使用超级计算机。近年来，科学机器学习的领域已经解决了克服这些挑战的新方法[1]。例如，物理信息的神经网络（PINN）[2,3]是一种使用神经网络进行模拟的方法。与传统的数值方法相比，它们不需要复杂的模拟网格，并且可以轻松地合并观察数据以了解相互作用。但是，使用PINNS开箱即用的是显着的挑战。它们在训练上可能是计算上昂贵的，并且可能难以建模多尺度的互动。我们最近的工作[4,5]表明，Pinns可以通过将它们与域分解和多级建模相结合，从而进行多尺度模拟E =。域分解允许将全局仿真问题分解为较小，易于解决的问题，而多级建模则可以在多尺度交互之间提供更好的通信。