[論文レビュー] Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation

Han Gao, Xu Han+5 more|arXiv (Cornell University)|Nov 14, 2023

Generative Adversarial Networks and Image Synthesis被引用数 4

ひとこと要約

本稿では、多様な時空間乱流生成を可能にするベイジアン条件付き拡散モデルを提案する。決定的深層学習モデルでは捉えきれない混沌的かつ確率的な流れのダイナミクスを捉えるために、確率的枠組みの中で無条件および条件付きサンプリングを統合する。この手法により、再訓練を伴わずに自己回帰的勾配ベースのサンプリングによって長時間スパンの流れの系列生成が可能となり、URANS入力からのLES再構成、多様な条件からの壁面境界乱流生成、入力解像度にかかわらず乱流境界層のスーパー解像が高精度で実現される。

ABSTRACT

Turbulent flows have historically presented formidable challenges to predictive computational modeling. Traditional numerical simulations often require vast computational resources, making them infeasible for numerous engineering applications. As an alternative, deep learning-based surrogate models have emerged, offering data-drive solutions. However, these are typically constructed within deterministic settings, leading to shortfall in capturing the innate chaotic and stochastic behaviors of turbulent dynamics. We introduce a novel generative framework grounded in probabilistic diffusion models for versatile generation of spatiotemporal turbulence. Our method unifies both unconditional and conditional sampling strategies within a Bayesian framework, which can accommodate diverse conditioning scenarios, including those with a direct differentiable link between specified conditions and generated unsteady flow outcomes, and scenarios lacking such explicit correlations. A notable feature of our approach is the method proposed for long-span flow sequence generation, which is based on autoregressive gradient-based conditional sampling, eliminating the need for cumbersome retraining processes. We showcase the versatile turbulence generation capability of our framework through a suite of numerical experiments, including: 1) the synthesis of LES simulated instantaneous flow sequences from URANS inputs; 2) holistic generation of inhomogeneous, anisotropic wall-bounded turbulence, whether from given initial conditions, prescribed turbulence statistics, or entirely from scratch; 3) super-resolved generation of high-speed turbulent boundary layer flows from low-resolution data across a range of input resolutions. Collectively, our numerical experiments highlight the merit and transformative potential of the proposed methods, making a significant advance in the field of turbulence generation.

研究の動機と目的

• 乱流の混沌的かつ確率的な性質を捉えることが困難な決定的深層学習モデルの限界を解消すること。
• 多様な条件設定下でも無条件および条件付きサンプリングが可能な統一された生成フレームワークの開発。
• 自己回帰的勾配ベースの条件付きサンプリングにより、再訓練を伴わずに長時間スパンの時空間乱流生成を実現すること。
• 低解像度入力、URANSデータ、初期条件／乱流統計から高精度な乱流場の再構成を達成すること。
• 実際の流れの統計的および動的特性を保持する、強固な確率的代理モデルとしての乱流シミュレーションの提供。

提案手法

• フレームワークは、乱流場の事後分布をモデル化するためのベイジアン拡散プロセスを採用し、不確実性を考慮した生成を可能にする。
• 異なる入力（微分可能および非微分可能な条件を含む）に条件付けられたスコアベースの拡散プロセスを定義することで、無条件および条件付きサンプリングを統合する。
• 新規の自己回帰的勾配ベースのサンプリング戦略により、条件付きスコア関数を繰り返し用いて流れ状態を段階的に改善することで、長時間スパンの系列生成が可能になる。
• 潜在空間における逆拡散プロセスをモデル化するため、時刻に依存する条件付きのデノイジングU-Netアーキテクチャを用いる。
• 条件付きガイドランスは、サンプリング中に条件付けの強度を制御するガイド係数βguideを介して適用される。
• 観測された乱流実現の尤度を最大化するため、変分下界の目的関数を用いて、時空間流れデータ上でエンドツーエンドにモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 確率的拡散モデルは、多様な条件下で現実的で統計的に整合性のある乱流場の系列を効果的に生成できるか？
• RQ2 低精度なURANS入力から、高精度な大渦シミュレーション（LES）場をどの程度正確に再構成できるか？
• RQ3 初期条件、乱流統計、またはノイズから出発して、非均一的かつ非等方的壁面境界乱流をどの程度正確に生成できるか？
• RQ4 低解像度入力から、エネルギースペクトルおよび平均プロファイルを保持したまま、乱流境界層のスーパー解像が可能か？
• RQ5 自己回帰的勾配ベースのサンプリング戦略は、標準的な拡散サンプリングと比較して、長時間スパンの忠実度および効率性において優れているか？

主な発見

• モデルはURANS入力からLESレベルの流れ場を合成に成功し、生成された系列はエネルギースペクトルやRMS速度フラクチュエーションといった統計的性質においてDNSと一致する。
• 壁面境界乱流のシナリオでは、初期条件、所与の乱流統計、およびノイズから出発して物理的に現実的な流れ場を生成し、平均速度および温度プロファイルがDNSと密接に一致する。
• スーパー解像タスクにおいて、2×2という粗い入力から256×256の高解像度乱流境界層を再構成し、境界層厚さやエネルギースペクトルといった重要な特徴を保持している。
• 生成された流れのエネルギースペクトルは、全テスト解像度においてDNSと密接に一致しており、高解像度出力のk⁻⁵ᐟ³慣性 subrange における相対誤差は10%未満である。
• 自己回帰的サンプリング戦略により、再訓練を伴わず安定した長時間スパンの生成（最大300時間ステップ）が可能であり、1枚のGPU上で推論時間が10秒未満である。
• RTX 4090を用いた拡散モデルでは、300ステップの流れ系列生成に要するウォールクロック時間は約10秒であり、OpenFOAM（数時間）やFANCFD（数10秒）と比較して顕著に高速である。