[論文レビュー] Ensemble flow reconstruction in the atmospheric boundary layer from spatially limited measurements through latent diffusion models

Alex Rybchuk, Malik Hassanaly+4 more|arXiv (Cornell University)|Mar 1, 2023

Meteorological Phenomena and Simulations参考文献 66被引用数 6

ひとこと要約

本稿では、空間的に疎な観測から三次元乱流大気境界層（ABL）流れを再構築するための潜在拡散モデル（LDM）を提案し、流れの再構築をインpainting問題として扱う。この手法は、ドメインの1％未満をカバーする観測でも、物理的に妥当で多様な大規模な乱流構造を生成でき、大規模渦シミュレーション（LES）の初期条件として優れた性能を示す。

ABSTRACT

Due to costs and practical constraints, field campaigns in the atmospheric boundary layer typically only measure a fraction of the atmospheric volume of interest. Machine learning techniques have previously successfully reconstructed unobserved regions of flow in canonical fluid mechanics problems and two-dimensional geophysical flows, but these techniques have not yet been demonstrated in the three-dimensional atmospheric boundary layer. Here, we conduct a numerical analogue of a field campaign with spatially limited measurements using large-eddy simulation. We pose flow reconstruction as an inpainting problem, and reconstruct realistic samples of turbulent, three-dimensional flow with the use of a latent diffusion model. The diffusion model generates physically plausible turbulent structures on larger spatial scales, even when input observations cover less than 1% of the volume. Through a combination of qualitative visualization and quantitative assessment, we demonstrate that the diffusion model generates meaningfully diverse samples when conditioned on just one observation. These samples successfully serve as initial conditions for a large-eddy simulation code. We find that diffusion models show promise and potential for other applications for other turbulent flow reconstruction problems.

研究の動機と目的

• 空間的に制限された現地測定から三次元で乱流的な大気境界層（ABL）流れを再構築する課題に対処すること。
• GANのような決定論的機械学習手法の限界、特にモード崩壊を回避し、流れの多様性を捉えること。
• LDMが、ABLのような高次元でカオス的な系における地球物理学的流れの再構築に有効であることを示すこと。
• LDMが生成するサンプルが大規模渦シミュレーション（LES）の初期条件として物理的整合性と予測的有用性を保つことの有効性を評価すること。

提案手法

• 3次元速度場の欠損領域を、疎な観測から再構築するインpainting問題としてABL流れ再構築を定式化する。
• LESデータセットを用いて、乱流速度場の同時分布を学習する潜在拡散モデル（LDM）を訓練する。
• 観測がない領域はマスクされた入力フィールドを用いて、1つ以上の速度成分（u, v, w）の疎な観測に条件づける。
• 学習されたノイズ予測を用いて、U-Netベースのアーキテクチャを潜在空間で繰り返しノイズ除去することで、物理的に現実的な流れ構造へと再構築する。
• 別個のニューラルネットワークを訓練して、状態とその2次モーメントの最適推定器を近似し、再構築フィールドの条件付き統計（平均と標準偏差）を推定する。
• 視覚的可視化と定量的指標（相関、平均二乗誤差（RMSE）、構造的類似性（SSIM））を用いて再構築品質を検証する。

Figure 1: (a) The masked region and observed region associated with the box mask. (b) The observations associated with the Field Campaign (FC) mask, with each instrument highlighted. The regions without observations are masked.

実験結果

リサーチクエスチョン

• RQ1 潜在拡散モデル（LDM）は、1％未満のドメインカバレッジで、空間的に疎な観測に条件づけられた三次元大気境界層（ABL）で物理的に妥当で多様な乱流構造を生成できるか？
• RQ2 観測カバレッジがドメインの1％未満であっても、LDMが生成するサンプルは、渦やコherent構造のような大規模な乱流特徴をどれほど正確に保持できるか？
• RQ3 LDMが生成する初期条件は、ベースライン法や決定論的手法と比較して、大規模渦シミュレーション（LES）の予測精度をどの程度向上させるか？
• RQ4 LDMが生成するサンプルの統計的性質（例：平均、分散）は真値とどの程度一致するか？また、補助的なニューラルネットワークを用いて信頼性高く推定できるか？

主な発見

• 潜在拡散モデル（LDM）は、空間ドメインの1％未満の観測で、物理的に妥当で多様な乱流流れフィールドを再構築することに成功した。
• LDMが生成するサンプルは物理的に現実的で、Q基準の等高線解析により、渦のような大規模な乱流構造が正確に再現されていることが確認された。
• モデルは意味のあるアンサンブルの多様性を生成した：100個の条件付きサンプルは非自明な分散を示しており、通常のGANとは異なり、単一のモードに収束していないことが示された。
• 100個のLDMサンプルからの条件付き平均予測は、真値とよく一致しており、特に流れ方向速度成分（u）では低RMSEと高いSSIM値を示した。
• 別個のニューラルネットワークを用いて推定したLDMサンプルの条件付き標準偏差は、実測分散とよく一致しており、モデルの不確実性評価能力が妥当であることが裏付けられた。
• LDMが生成する初期条件は、安定で物理的に整合性のある大規模渦シミュレーション（LES）をもたらし、今後の気象モデリング応用における実用性が確認された。

Figure 2: A schematic depicting the major components of an LDM and their function. (a) First, the encoder and decoder of an autoencoder are trained. (b) Next, a diffusion model is trained with the help of the encoder from the autoencoder. The conditioning is optional and is not included for uncondit