[論文レビュー] Physics-Informed CNNs for Super-Resolution of Sparse Observations on Dynamical Systems

Daniel Kelshaw, George Rigas+1 more|arXiv (Cornell University)|Oct 31, 2022

Advanced Image Processing Techniques被引用数 4

ひとこと要約

本稿では、カOlmogorov流れを含むカオス的・乱流的力学系における疎な観測のための物理情報付き畳み込みニューラルネットワーク（PINNs）を提案する。残差学習アーキテクチャとナビエ＝ストークス方程式を強制するPDE残差損失を組み合わせることで、補間よりも優れた忠実度で高解像度場を再構築し、相対ℓ²誤差が0.0872にまで低下する。これは、双線形補間（0.2091）および双3次補間（0.1717）を著しく下回る。

ABSTRACT

In the absence of high-resolution samples, super-resolution of sparse observations on dynamical systems is a challenging problem with wide-reaching applications in experimental settings. We showcase the application of physics-informed convolutional neural networks for super-resolution of sparse observations on grids. Results are shown for the chaotic-turbulent Kolmogorov flow, demonstrating the potential of this method for resolving finer scales of turbulence when compared with classic interpolation methods, and thus effectively reconstructing missing physics.

研究の動機と目的

• 高解像度データが入手不可能な力学系において、疎で部分的な観測から高解像度場を再構築する課題に対処すること。
• 学習プロセスに物理法則を組み込むことで、標準的な補間を上回る超解像を実現すること。
• カオス的流れ（例：カOlmogorov流れ）において、物理情報付きCNNが欠落した乱流物理学を再構築できることを示すこと。
• 複雑な多スケールダイナミクスとスペクトルアリスティングを示す乱流的・カオス的系において、手法の妥当性を検証すること。
• 残差ベースの損失正則化が、低解像度データに存在しない微細構造の回復とアリスティングの除去を可能にすることを示すこと。

提案手法

• 観測の忠実度とPDE残差の最小化を組み合わせたハイブリッド損失を用いて、物理情報付きCNNを訓練する。
• VDSRベースのアーキテクチャを用い、低解像度観測（Ωₗ）を高解像度予測（Ωₕ）に変換する。この際、双3次補間を用いる。
• 残差損失ℒ_Rは、予測された場の時間微分と非線形作用素を計算することで、ナビエ＝ストークス方程式を強制する。
• 時間窓処理を適用し、τ=2つの連続する時間ステップで残差を計算することで、完全に連結したデータを必要とせずに局所的な時間的正則化を実現する。
• 畳み込み層における周期的パディングにより、周期的境界条件を強制し、スペクトル特性を保持する。
• Adamを用いて損失関数を最適化し、観測項と残差項のバランスをとるためにα=1×10⁵を設定する。

実験結果

リサーチクエスチョン

• RQ1 物理情報付きCNNは、カオス的・乱流的力学系における疎な観測から高解像度場を再構築できるか？
• RQ2 損失関数にPDE残差を組み込むことで、標準的な補間を上回る超解像が可能になるか？
• RQ3 低解像度データに存在しない微細な乱流構造を、モデルはどの程度回復できるか？
• RQ4 カOlmogorov流れにおけるアンダーサンプリングに起因するスペクトルアリスティングを、この手法はどのように軽減するか？
• RQ5 高解像度の真値データが入手不可能な状況でも、モデルは欠落した物理を再構築できるか？

主な発見

• 物理情報付きCNNは、高解像度場において相対ℓ²誤差が0.0872にまで低下し、双線形補間（0.2091）および双3次補間（0.1717）を著しく下回った。
• 予測されたエネルギースペクトルは、|k| ≈ 10¹まで微細な乱流スケールを捉えており、補間された場はアリスティングのため早期に逸脱した。
• PDE正則化を通じて低解像度データのデアリスティングを学習することで、モデルはスペクトルアリスティングを効果的に軽減した。
• 低解像度観測に見えない乱流構造をネットワークが再構築したため、欠落した物理の回復が示された。
• 周期的パディングによる境界アーチファクトが観測され、高波数域でエネルギースペクトルが発散した。
• 時間窓処理によりτ=2ステップで残差を計算することで、疎で非連続な観測に対しても手法のロバスト性が示された。