[论文解读] Physics-Driven Convolutional Autoencoder Approach for CFD Data Compressions

Alberto Olmo, Ahmed S. Zamzam+2 more|arXiv (Cornell University)|Oct 17, 2022

Lattice Boltzmann Simulation Studies被引用 4

一句话总结

本文提出一种物理驱动的卷积自编码器，通过在损失函数中引入不可压缩性和涡量散度保持，提升了计算流体动力学（CFD）数据压缩性能。该方法在不损失重建质量的前提下，实现了最高12倍的训练加速、更优的物理保真度以及增强的可解释性。

ABSTRACT

With the growing size and complexity of turbulent flow models, data compression approaches are of the utmost importance to analyze, visualize, or restart the simulations. Recently, in-situ autoencoder-based compression approaches have been proposed and shown to be effective at producing reduced representations of turbulent flow data. However, these approaches focus solely on training the model using point-wise sample reconstruction losses that do not take advantage of the physical properties of turbulent flows. In this paper, we show that training autoencoders with additional physics-informed regularizations, e.g., enforcing incompressibility and preserving enstrophy, improves the compression model in three ways: (i) the compressed data better conform to known physics for homogeneous isotropic turbulence without negatively impacting point-wise reconstruction quality, (ii) inspection of the gradients of the trained model uncovers changes to the learned compression mapping that can facilitate the use of explainability techniques, and (iii) as a performance byproduct, training losses are shown to converge up to 12x faster than the baseline model.

研究动机与目标

• 应对高保真CFD模拟中因海量数据导致的内存与I/O瓶颈问题。
• 通过在训练过程中嵌入物理定律（特别是不可压缩性和涡量散度保持），改进数据压缩模型。
• 通过基于梯度的可视化技术在物理信息自编码器上提升模型可解释性。
• 在保持或提升重建精度的前提下，减少训练时间与数据需求量，相比基线自编码器。

提出的方法

• 设计一个全卷积自编码器，包含编码器（E）与解码器（D），用于将全分辨率3D速度场（128×128×128）映射至压缩潜在空间并重建回原始空间。
• 在损失函数中引入物理信息正则化项：通过λ控制的散度为零约束以强制实现不可压缩性，以及通过β控制的涡量保持项以维持涡度动力学。
• 使用组合损失函数进行模型优化：包括重建损失（MSE）与基于物理的惩罚项，通过超参数λ与β平衡物理保真度与重建精度。
• 在1,300个衰减各向同性湍流的快照上进行训练，其泰勒尺度雷诺数在65至105之间。
• 采用三通道输入（u、v、w速度分量），使网络能够学习分量间的关联关系，从而减少模型深度与训练时间。
• 在最后一层卷积层上应用Grad-CAM热力图，可视化注意力模式并评估不同训练配置下的模型可解释性。

实验结果

研究问题

• RQ1 在自编码器损失中强制实现不可压缩性与涡量散度保持，是否能在不降低重建质量的前提下提升压缩CFD数据的物理一致性？

主要发现

• 在β=10时，物理信息自编码器的耗散比达到0.504，优于基线模型（0.544），表明其具有更优的物理保真度。
• 即使考虑三通道输入处理的开销，使用物理信息损失训练可将训练时间最多缩短12倍。
• 在566个样本上训练时，该模型在50个周期内即可达到与基线模型100个周期相同的MSE损失（0.045），表明收敛速度更快且数据效率更高。
• 基于梯度的可解释性分析（Grad-CAM）显示，物理信息模型的注意力集中于高物理量值区域，而基线模型则呈现随机的注意力模式。
• 在8个模型中有6个模型中，物理项的引入显著改善了涡量与耗散比，证实了在不同超参数设置下均保持一致的物理行为。
• 该模型在显著提升物理一致性与训练效率的同时，维持或改善了重建质量（MSE）。