[論文レビュー] Convolutional causal learning for aerodynamic flows

Ryo Koshikawa, Ryo Araki+2 more|arXiv (Cornell University)|Jan 27, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

要約: 本論文は、情報理論的畳み込み学習フレームワークを導入し、将来の揚力と因果関係を持つ時変情報的渦度モードに流れ場を分解する。これにより低次元表現とデータ駆動の因果分析を実現する。

ABSTRACT

This study considers capturing aerodynamic causality from snapshot data with a time-varying mode decomposition technique referred to as information-theoretic machine learning. The current approach extracts time-dependent informative vortical structures, contributing to the future evolution of the aerodynamic coefficients. The present decomposition is employed with a convolutional neural network, enabling the identification of the spatial continuous mode. In addition, a low-order representation, characterizing the informative vortical structures and their corresponding aerodynamic coefficients, can also be identified by considering autoencoder-based data compression. The present technique is applied to a range of aerodynamic examples, including extreme vortex-gust airfoil interactions, experimentally measured transverse jet-wing interaction, and a turbulent separated wake. For the cases of gust-wing interaction, the time-varying gust effect on the lift response is extracted in an interpretable manner. With the example of a turbulent wake, the relationship between large-scale vortical motion and lift force is identified without any spatial length-scale information. The proposed approach could serve as a foundation for data-driven causal modeling and control for a range of unsteady flows.

研究の動機と目的

• 渦状構造が将来の空力力に因果的に影響することを動機づけ、定量化する。
• 情報理論的で畳み込み型の深層学習アプローチを開発し、情報性の高いモードを抽出する。
• 因果的に関連する流れの特徴と揚力ダイナミクスを捉える低次元表現を提供する。

提案手法

• 流れ状態を q、将来の揚力係数を λ と定義し、q を情報的部分と残差部分に分解する（ q = q_I + q_R ）。
• Shannon エントロピーと相互情報率を用いて I(q_I; λ) を最大化し、H(λ|q_I)=0 および I(q_R; q_I)=0 を満たす q_I を同定する。
• 情報モード抽出器 F を、非負ウェイトと全単射活性化を用いる畳み込みオートエンコーダまたは CNN ベースのモデルとして実装し、双射変換を保証する。
• 回帰誤差 ||q − q_I||_2 と相互情報正則化 β||I(q_R; q_I)||_2 を組み合わせた損失で訓練する。
• 極端な渦風乱流相互作用、横断ジェットと翼の相互作用、乱流後流を含む多様な空力流れで方法を評価する。

Figure 1: An example of the given state $\bm{q}$ and the informative component $\bm{q}_{I}$ decomposed by a data-driven technique.

実験結果

リサーチクエスチョン

• RQ1 情報理論的因果分解が将来の揚力を決定論的に影響する渦状構造を同定できるか。
• RQ2 畳み込みアーキテクチャは時変情報モードを抽出しつつ空間的一貫性をどのように保持するか。
• RQ3 情報モードの Δt と正則化 β の依存性はどうなるか。
• RQ4 実験データや乱流流れデータにおいて、解釈可能な低次元表現を明らかにできるか。

主な発見

• 本手法は、過渡的な渦-翼面相互作用における Gust-揚力因果性を捉える時変情報モードを産出する。
• 情報モードは、乱流後流の一部ケースで空間的長さ尺度情報に依存せずに揚力に寄与する大規模渦構造を同定する。
• 低次元の潜在表現は gust の寄与と遷移を反映し得、潜在軌道は Δt に依存して変動し、幾何条件下で円形多様体を形成する可能性がある。
• 実験ノイズに対するロバスト性を示し、翼方向スパンウェ流れや三次元分離流れの情報的流れ特徴を回復できる。
• 通常のオートエンコーダと比較して、情報量項が因果的に関連する構造を発見する上で追加的な価値を示す。

Figure 2: Informative mode extractor $\mathcal{F}$ based on ( $a$ ) convolutional autoencoder and ( $b$ ) convolutional neural network.