[논문 리뷰] Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation

Han Gao, Xu Han외 5명|arXiv (Cornell University)|2023. 11. 14.

Generative Adversarial Networks and Image Synthesis인용 수 4

한 줄 요약

이 논문은 다양한 조건에서의 복잡한 시공간 난류 생성을 위한 베이지안 조건부 확산 모델을 제안한다. 이 모델은 확률적 프레임워크 내에서 무조건적 및 조건부 샘플링을 통합하여 혼돈적이고 확률적인 유동 역학을 포착한다. 이 방법은 재학습 없이 자기회귀적 기울기 기반 샘플링을 통해 장기간의 유동 시퀀스 생성을 가능하게 하여, URANS 입력으로부터 LES의 고해상도 복원, 다양한 조건에서의 벽에 둘러싸인 난류 생성, 그리고 다양한 입력 해상도에서의 난류 경계층 초해상도 복원을 달성한다.

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.

연구 동기 및 목표

• 난류의 혼돈적이고 확률적인 성격을 포착하는 데에 한계가 있는 결정론적 딥러닝 모델의 문제점을 해결하기 위해.
• 다양한 조건부 상황에서 무조건적 및 조건부 샘플링이 가능한 통합된 생성 프레임워크를 개발하기 위해.
• 재학습 없이 자기회귀적 기울기 기반 조건부 샘플링을 통해 장기 시공간 난류 생성을 가능하게 하기 위해.
• 저해상도 입력, URANS 데이터, 초기 조건 또는 난류 통계로부터 고해상도 난류 유동을 고정밀도로 복원하기 위해.
• 실제 난류의 통계적 및 역학적 성질을 유지하는 강력한 확률적 대체 모델을 제공하기 위해.

제안 방법

• 프레임워크는 난류 유동장의 사후 분포를 모델링하기 위해 베이지안 확산 과정을 활용하여 불확실성 인식 생성을 가능하게 한다.
• 다양한 입력(가능한 조건 및 비가능한 조건 포함)에 조건부로 설정된 점수 기반 확산 과정을 정의함으로써 무조건적 및 조건부 샘플링을 통합한다.
• 새로운 자기회귀적 기울기 기반 샘플링 전략을 통해 조건부 점수 함수를 반복적으로 이용하여 유동 상태를 정밀하게 개선함으로써 장기간의 시퀀스 생성을 가능하게 한다.
• 잠재 공간에서 역확산 과정을 모델링하기 위해 시간 조건부 조건부를 갖춘 디노이징 U-Net 아키텍처를 사용한다.
• 조건부 가이던스는 샘플링 중 조건부 강도를 제어하는 가이던스 계수 βguide를 통해 적용된다.
• 관측된 난류 실현의 가능도를 최대화하기 위해 변분 하한 목표함수를 사용하여 시공간 유동 데이터에 대해 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 확률적 확산 모델이 다양한 조건에서 실제적이고 통계적으로 일관된 난류 유동 시퀀스를 효과적으로 생성할 수 있는가?
• RQ2 저해상도의 URANS 입력으로부터 고해상도 대류모델(Large Eddy Simulation, LES) 필드를 얼마나 잘 재구성할 수 있는가?
• RQ3 초기 조건, 난류 통계 또는 노이즈에서부터 비균질적이고 이방성인 벽에 둘러싸인 난류를 얼마나 잘 생성할 수 있는가?
• RQ4 저해상도 입력에서 난류 경계층의 초해상도 복원을 수행하면서 에너지 스펙트럼과 평균 프로파일을 유지할 수 있는가?
• RQ5 자기회귀적 기울기 기반 샘플링 전략은 표준 확산 샘플링 대비 장기 시계열의 정확도 및 효율성 측면에서 어떻게 비교되는가?

주요 결과

• 모델은 URANS 입력으로부터 LES 수준의 유동장을 성공적으로 합성하였으며, 생성된 시퀀스가 에너지 스펙트럼과 RMS 속도 변동성과 같은 통계적 성질에서 DNS와 유사함을 보였다.
• 벽에 둘러싸인 난류의 경우, 초기 조건, 설정된 난류 통계, 또는 노이즈에서부터 물리적으로 현실적인 유동장을 생성하였으며, 평균 속도 및 온도 프로파일이 DNS와 매우 유사하였다.
• 초해상도 복원 작업에서는 2×2와 같은 매우 낮은 해상도의 입력으로부터 256×256 고해상도 난류 경계층을 재구성하였으며, 경계층 두께 및 에너지 스펙트럼과 같은 핵심 특징을 유지하였다.
• 모든 테스트 해상도에서 생성된 유동의 에너지 스펙트럼이 DNS와 매우 유사하였으며, 고해상도 출력에서 k⁻⁵ᐟ³ 관성 영역 내 상대 오차는 10% 미만이었다.
• 자기회귀적 샘플링 전략은 재학습 없이도 안정적인 장기간의 생성(최대 300개 시간 단위)을 가능하게 하였으며, 단일 GPU에서 추론 시간은 10초 이내였다.
• RTX 4090에서 확산 모델을 사용하여 300단계의 유동 시퀀스 생성에 걸리는 실제 시간은 약 10초였으며, OpenFOAM(수시간) 및 FANCFD(수십 초)에 비해 훨씬 빠르게 작동하였다.