[논문 리뷰] Ensemble flow reconstruction in the atmospheric boundary layer from spatially limited measurements through latent diffusion models

Alex Rybchuk, Malik Hassanaly외 4명|arXiv (Cornell University)|2023. 03. 01.

Meteorological Phenomena and Simulations참고 문헌 66인용 수 6

한 줄 요약

이 논문은 공간적으로 희소한 측정값에서 3차원 난류 대기경계층(Abl) 유동을 복원하기 위한 잠재확산모델(LDM)을 제안한다. 흐름 복원을 인painting 문제로 간주하며, 관측 영역이 도메인의 1퍼센트 미만이어도 큰 스케일에서 물리적으로 타당하고 다양한 난류 구조를 생성함으로써, 대규모 난류 시뮬레이션(LES)의 초깃값으로서 강력한 성능을 보여준다.

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.

연구 동기 및 목표

• 공간적으로 제한된 현장 측정값으로부터 3차원 난류 대기경계층(ABL) 유동을 복원하는 문제에 대응한다.
• 모드 붕괴를 겪고 흐름의 다양성을 포착하지 못하는 GAN과 같은 결정론적 기계학습 방법의 한계를 극복한다.
• LDM가 고차원이고 혼돈적인 시스템인 ABL과 같은 지구물리학적 흐름 복원에 가능함을 보여준다.
• LDM가 생성한 샘플이 대규모 난류 시뮬레이션(LES)의 초깃값으로서 물리적 일관성과 예측 가능성을 확보하는 데 유용한지 평가한다.

제안 방법

• 희소 측정값이 주어진 3차원 속도장의 누락 영역을 복원하는 문제로 ABL 유동 복원을 이미지 인painting 문제로 재구성한다.
• LDM를 ABL의 대규모 난류 시뮬레이션(LES) 데이터셋에 훈련시켜 난류 속도장의 공동 분포를 학습한다.
• 관측되지 않은 영역는 마스크된 입력 필드를 사용하여 하나 이상의 속도 성분(u, v, w)의 희소 측정값에 조건화한다.
• 유의미한 흐름 구조로 향하는 잠재공간에서 U-Net 기반 아키텍처를 사용하고, 학습된 노이즈 예측을 통해 반복적으로 잠재 표현을 정돈한다.
• 상태와 그 제곱모멘트의 최적 추정기의 근사치를 구하기 위해 별도의 신경망을 훈련시켜 조건부 통계(평균 및 표준편차)를 추정한다.
• 시각적 시각화와 정량적 지표(상관관계, 평균제곱근오차(RMSE), 구조유사도(SSIM))를 통해 복원 품질을 검증한다.

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.

실험 결과

연구 질문

• RQ1 희소 측정값에 조건화된 상태에서 잠재확산모델(LDM)이 3차원 대기경계층에서 물리적으로 타당하고 다양한 난류 흐름 구조를 생성할 수 있는가?
• RQ2 관측 영역이 도메인의 1퍼센트 미만이어도 LDM가 생성한 샘플이 소용돌이와 같은 대규모 난류 특징을 충분히 유지하는가?
• RQ3 기본 모델이나 결정론적 방법에 비해 LDM가 생성한 초깃값이 대규모 난류 시뮬레이션의 예측 정확도를 어느 정도 향상시키는가?
• RQ4 LDM가 생성한 샘플의 통계적 성질(예: 평균, 분산)은 참값 필드와 어떻게 비교되는가? 그리고 보조 신경망을 통해 신뢰성 있게 추정할 수 있는가?

주요 결과

• 잠재확산모델(LDM)은 공간 도메인의 1퍼센트 미만 영역만 관측해도 대기경계층에서 현실적이며 다양한 난류 흐름 필드를 성공적으로 복원한다.
• LDM가 생성한 샘플은 물리적으로 타당성이 높으며, Q기준 등위선 분석을 통해 소용돌이와 같은 대규모 난류 구조가 정확히 재현됨을 확인했다.
• 모델은 의미 있는 앙상블 다양성을 생성한다: 100개의 조건부 샘플은 비트리비어한 분산을 보이며, 일반적인 GAN과 달리 단일 모드로 수렴하지 않는다.
• 100개의 LDM 샘플에서 유도된 조건부 평균 예측치는 참값과 밀접하게 일치하며, 특히 유동 방향 속도 성분(u)에 대해 낮은 RMSE와 높은 SSIM 값을 기록했다.
• 별도의 신경망을 통해 유도된 LDM 샘플의 조건부 표준편차는 경험적 분산과 양호한 일치를 보이며, 모델의 불확실성 정량화 능력을 검증했다.
• LDM가 생성한 초깃값은 안정적이고 물리적으로 일관된 대규모 난류 시뮬레이션을 가능하게 하여, 향후 대기 모델링 응용 분야에서의 유용성을 확인했다.

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