[论文解读] A Physics-informed Diffusion Model for High-fidelity Flow Field Reconstruction

Dule Shu, Zijie Li+1 more|arXiv (Cornell University)|Nov 26, 2022

Model Reduction and Neural Networks被引用 5

一句话总结

该论文提出了一种物理信息扩散模型，用于高保真流场重建，仅在高保真数据上进行训练，从而无需微调即可从各种低保真或稀疏测量输入中实现鲁棒重建。该模型在物理一致性方面表现优越——在方程损失和湍流动能谱保真度方面优于直接映射基线模型——同时保持了具有竞争力的L₂误差，并通过PDE残差实现了物理信息条件化。

ABSTRACT

Machine learning models are gaining increasing popularity in the domain of fluid dynamics for their potential to accelerate the production of high-fidelity computational fluid dynamics data. However, many recently proposed machine learning models for high-fidelity data reconstruction require low-fidelity data for model training. Such requirement restrains the application performance of these models, since their data reconstruction accuracy would drop significantly if the low-fidelity input data used in model test has a large deviation from the training data. To overcome this restraint, we propose a diffusion model which only uses high-fidelity data at training. With different configurations, our model is able to reconstruct high-fidelity data from either a regular low-fidelity sample or a sparsely measured sample, and is also able to gain an accuracy increase by using physics-informed conditioning information from a known partial differential equation when that is available. Experimental results demonstrate that our model can produce accurate reconstruction results for 2d turbulent flows based on different input sources without retraining.

研究动机与目标

• 为克服现有机器学习模型在CFD数据重建中的局限性，即当输入数据分布偏离训练数据分布时需要重新训练。
• 开发一种仅在训练期间使用高保真数据，即可从低保真或稀疏测量输入中重建高保真流场的模型。
• 通过在推理过程中引入纳维-斯托克斯方程残差，实现物理信息条件化，以提高重建精度。
• 实现在不同输入类型（例如，规则低保真、稀疏测量）下无需微调的鲁棒、可泛化的重建。
• 通过物理保真度指标（如方程损失和动能谱）评估模型性能，而不仅限于L₂损失。

提出的方法

• 该模型采用去噪扩散概率框架，通过反转一个逐步添加高斯噪声的前向扩散过程，在高保真CFD数据上进行训练。
• 采用条件去噪：模型通过去噪被污染的输入（低保真或稀疏）来重建高保真流场，条件包括输入本身，以及可选的PDE残差梯度。
• 通过将纳维-斯托克斯方程的残差注入去噪过程，实现物理信息条件化，从而提高与物理定律的一致性。
• 对于稀疏输入重建，模型采用最近邻填充和迭代优化，以恢复高保真细节。
• 模型通过最小化前向与反向扩散过程之间的KL散度进行训练，而非直接最小化L₂损失，从而实现对输入变化的统计鲁棒性。
• 该框架支持对未见低保真输入类型（如不同类型的模糊或采样模式）实现零样本泛化，而无需重新训练。

实验结果

研究问题

• RQ1 仅在高保真CFD数据上进行训练的扩散模型，能否在不重新训练的情况下泛化到从多样化低保真输入中重建高保真流场？
• RQ2 通过纳维-斯托克斯方程残差实现的物理信息条件化，如何提升重建精度和物理一致性？
• RQ3 该模型在方程损失和动能谱等物理保真度指标上，相较于直接映射基线模型的优越程度如何？
• RQ4 通过迭代优化和填充方法，该模型能否有效从稀疏测量数据中重建高保真场？
• RQ5 在扩散训练中不直接最小化L₂损失是否限制了重建精度，这种限制能否被缓解？

主要发现

• 所提出的扩散模型在L₂范数上相较于直接映射基线模型实现了微小提升，表明其具有相当的逐点重建精度。
• 该模型在方程损失方面显著优于基线模型，表明其对纳维-斯托克斯方程的遵循更好，物理一致性更高。
• 重建流场的动能谱与真实值高度吻合，证明了对不同尺度湍流动能分布的准确恢复。
• 该模型在各种低保真输入（如不同类型的模糊）下均保持鲁棒性能，而直接映射模型在分布偏移下性能明显下降。
• 通过PDE残差注入实现的物理信息条件化进一步提升了重建精度，尤其在涡度和剪切较强的区域表现更优。
• 该模型通过最近邻填充和迭代去噪，实现了从稀疏测量输入中进行高保真重建，且无需微调即可获得物理上合理的重建结果。