Spatio-Temporal Methods for Data-driven Computer Animation and Simulation

Projektinformationen

SpaTe

ID Finanzhilfevereinbarung: 863850

DOI

10.3030/863850

Projekt abgeschlossen

EK-Unterschriftsdatum 13 Februar 2020

Startdatum 1 September 2020

Enddatum 31 August 2025

Finanziert unter

• EXCELLENT SCIENCE - European Research Council (ERC)

Gesamtkosten

€ 1 998 750,00

EU-Beitrag

€ 1 998 750,00

Koordiniert durch

TECHNISCHE UNIVERSITAET MUENCHEN
Germany

CORDIS bietet Links zu öffentlichen Ergebnissen und Veröffentlichungen von HORIZONT-Projekten.

Links zu Ergebnissen und Veröffentlichungen von RP7-Projekten sowie Links zu einigen Typen spezifischer Ergebnisse wie Datensätzen und Software werden dynamisch von OpenAIRE abgerufen.

Veröffentlichungen

Conference proceedings (4)

Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics

Autoren: Lukas Prantl, Benjamin Ummenhofer, Vladlen Koltun, Nils Thuerey
Veröffentlicht in: Advances in Neural Information Processing, Ausgabe 1, 2022
Herausgeber: NeurIPS

Half-Inverse Gradients for Physical Deep Learning

Autoren: Patrick Schnell, Philipp Holl, Nils Thuerey
Veröffentlicht in: ICLR, Ausgabe 2022, 2022, Seite(n) 1-22
Herausgeber: ICLR

Solving Inverse Physics Problems with Score Matching

Autoren: Benjamin Holzschuh, Simona Vegetti, Nils Thuerey
Veröffentlicht in: Advances in Neural Information Processing Systems, Ausgabe 36, 2023, Seite(n) -
Herausgeber: Advances in Neural Information Processing Systems
DOI: 10.48550/arxiv.2301.10250

Global Transport for Fluid Reconstruction with Learned Self-Supervision

Autoren: Erik Franz; Barbara Solenthaler; Nils Thuerey
Veröffentlicht in: CVPR, Ausgabe 1, 2021
Herausgeber: CVPR
DOI: 10.1109/cvpr46437.2021.00168

Peer reviewed articles (8)

Unsteady cylinder wakes from arbitrary bodies with differentiable physics-assisted neural network

Autoren: Shuvayan Brahmachary, Nils Thuerey
Veröffentlicht in: Physical Review E, Ausgabe 109, 2024, ISSN 2470-0045
Herausgeber: American Physical Society
DOI: 10.1103/physreve.109.055304

Reviving autoencoder pretraining

Autoren: You Xie; Nils Thuerey
Veröffentlicht in: Neural Computing and Applications, Ausgabe 35, 2022, ISSN 0941-0643
Herausgeber: Springer Verlag
DOI: 10.1007/s00521-022-07892-0

Deep learning-based predictive modeling of transonic flow over an airfoil

Autoren: Liwei Chen, Nils Thuerey
Veröffentlicht in: Physics of Fluids, Ausgabe 36, 2024, ISSN 1070-6631
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0238413

Realistic galaxy images and improved robustness in machine learning tasks from generative modelling

Autoren: Benjamin J Holzschuh, Conor M O’Riordan, Simona Vegetti, Vicente Rodriguez-Gomez, Nils Thuerey
Veröffentlicht in: Monthly Notices of the Royal Astronomical Society, Ausgabe 515, 2024, Seite(n) 652-677, ISSN 0035-8711
Herausgeber: Blackwell Publishing Inc.
DOI: 10.1093/mnras/stac1188

Differentiability in unrolled training of neural physics simulators on transient dynamics

Autoren: Bjoern List, Li-Wei Chen, Kartik Bali, Nils Thuerey
Veröffentlicht in: Computer Methods in Applied Mechanics and Engineering, Ausgabe 433, 2024, Seite(n) 117441, ISSN 0045-7825
Herausgeber: Elsevier BV
DOI: 10.1016/j.cma.2024.117441

Learned turbulence modelling with differentiable fluid solvers: physics-based loss functions and optimisation horizons

Autoren: Björn List; Li-Wei Chen; Nils Thuerey
Veröffentlicht in: Crossref, Ausgabe 1, 2022, ISSN 0022-1120
Herausgeber: Cambridge University Press
DOI: 10.1017/jfm.2022.738

Towards high-accuracy deep learning inference of compressible flows over aerofoils

Autoren: Li-Wei Chen; Nils Thuerey
Veröffentlicht in: Crossref, Ausgabe 1, 2022, ISSN 0022-1120
Herausgeber: Cambridge University Press
DOI: 10.1016/j.compfluid.2022.105707

Learning Similarity Metrics for Volumetric Simulations with Multiscale CNNs

Autoren: Georg Kohl, Li-Wei Chen, Nils Thuerey
Veröffentlicht in: Proceedings of the AAAI Conference on Artificial Intelligence, Ausgabe 37, 2023, Seite(n) 8351-8359, ISSN 2374-3468
Herausgeber: Association for the Advancement of Artificial Intelligence
DOI: 10.1609/aaai.v37i7.26007