Adaptive Neural Network-Based Approximation to Accelerate Eulerian Fluid Simulation
欧拉流体模拟（Eulerian fluid simulation）是一个很重要的HPC应用。
这里使用神经网络来加速计算。
提出一个框架，名为Smart-fluidnet。
输入是一个现存的神经网络，Smart-fluidnet会生成许多神经网络。
introduction
主要说它的这个工作可以加速Eulerian fluid simulation，并且取得了不错的结果。
然后提到了基于神经网络的优化的三个缺点：
缺点一：lack of flexibility
主要说的是这个Eulerian fluid simulation，这个模拟过程，它是有个simulation code的。然后现有的神经网络优化方法只能生成一种神经网络结构。但是在这个simulation code的不同的execution phase下的target computation，使用不同的神经网络结构来替代，可能会有不同的效果。
所以这个作者说能不能用更多的神经网络结构来提升它的flexibility。（感觉有点像NAS）
缺点二：lacks a generalization ability
感觉说的也是单一神经网络的缺点。
缺点三：no systematic approach to construct and apply neural network models to the fluid simulation
感觉这个是信息丰富的一点。
这里也是和NAS感觉有点相关的地方。
首先作者提到了当下domain scientists build neural network intuitively。
然后作者提到了两个神经网络自动生成框架：
Auto-Keras：
Haifeng Jin, Qingquan Song, and Xia Hu. Efficient neural architecture search with network morphism. arXiv preprint arXiv:1806.10282, 2018.
AutoML：
Hugo Jair Escalante, Wei-Wei Tu, Isabelle Guyon, Daniel L Silver, Evelyne Viegas, Yuqiang Chen, Wenyuan Dai, and Qiang Yang. Automl@ neurips 2018 challenge: Design and results. arXiv preprint arXiv:1903.05263, 2019.
作者的意思大概就是，当下神经网络的构建大多intuitively，虽然有相关的科学家试图automatically generate a neural network，但是他们主要focus on image processing or natural language processing ，rather than HPC
不过感觉他们做的东西也不是什么新颖的东西。
按照作者的意思大概就是有一个现成的neural network作为输入，然后会生成多个neural networks，再然后switch the neural networks dynamically during runtime of the simulation。
所以最后基于以上的challenge需求，需要做到以下几点：
1.multiple neural networks must be generated automatically
2.在simulation的过程当中，如何动态选择所使用的的神经网络，这涉及到代价预测之类相关的东西。
3.神经网络可以对于一些eulerian fluid simulation 问题给出精准的近似解，但是对于一些其他输入的近似效果不太好，对于大数据量的数据输入，如何使得神经网络发挥好它的泛化性能，这是一个问题。
然后就是这个实验是怎么做的。
首先，对于fluid simulation code，是基于一个叫做mantaflow的流体力学模拟软件的。
然后作者最终实现的深度学习框架叫做Smart-fluidnet。
Smart-fluidnet主要会有以下几个特性：
1.对于神经网络自动生成功能似乎是基于auto keras的。
2.神经网络的选择使用到了多层感知机模型multilayer perceptrons models（MLP）。
3.显然Smart-fluidnet需要被嵌入到mantaflow这个simulation软件当中，而且作者采用了一个metric and lightweight runtime algorithm来在simulation运行的过程中就能够大概预测出最终整个simulation的质量是好还是不好。
然后作者这篇发在CCFA上的论文其实是有一点蹭ICML大佬论文的嫌疑的。在谷歌学术上搜索eulerian fluid simulation，出来的高引用论文是：Jonathan Tompson, Kristofer Schlachter, Pablo Sprechmann, and Ken Perlin. Accelerating eulerian fluid simulation with convolutional networks. In Proceedings of the 34th International Conference on Machine Learning-Volume 70, pages 3424–3433. JMLR. org, 2017.
然后作者把自己的工作和这篇文章当中提出的Tompson’s model进行了对比，有性能上的提升。
然后作者还希望它的这种methodology可以帮助到simulation问题！
background
这里介绍的是基于Navier-Stokes equations的fluid simulation。内容比较hard core。
我们主要关注的是Neural Network-Based Approximation这一小节的内容，即如何使用神经网络来近似。
