[论文解读] Physics-informed Deep Super-resolution for Spatiotemporal Data

Pu Ren, Chengping Rao+5 more|arXiv (Cornell University)|Aug 2, 2022

Model Reduction and Neural Networks被引用 6

一句话总结

该论文提出了一种用于时空数据的物理信息深度超分辨率框架，通过时间插值和卷积循环网络（ConvLSTM）实现时间细化，同时利用堆叠残差块与宽激活函数及亚像素层实现空间重建。通过硬编码边界条件来强制施加边界约束，在二维和三维偏微分方程（PDE）系统（包括RBC和Ginzburg-Landau方程）上，相较于基线方法，实现了更高的精度和效率。

ABSTRACT

High-fidelity simulation of complex physical systems is exorbitantly expensive and inaccessible across spatiotemporal scales. Recently, there has been an increasing interest in leveraging deep learning to augment scientific data based on the coarse-grained simulations, which is of cheap computational expense and retains satisfactory solution accuracy. However, the major existing work focuses on data-driven approaches which rely on rich training datasets and lack sufficient physical constraints. To this end, we propose a novel and efficient spatiotemporal super-resolution framework via physics-informed learning, inspired by the independence between temporal and spatial derivatives in partial differential equations (PDEs). The general principle is to leverage the temporal interpolation for flow estimation, and then introduce convolutional-recurrent neural networks for learning temporal refinement. Furthermore, we employ the stacked residual blocks with wide activation and sub-pixel layers with pixelshuffle for spatial reconstruction, where feature extraction is conducted in a low-resolution latent space. Moreover, we consider hard imposition of boundary conditions in the network to improve reconstruction accuracy. Results demonstrate the superior effectiveness and efficiency of the proposed method compared with baseline algorithms through extensive numerical experiments.

研究动机与目标

• 解决在复杂物理系统中，从低分辨率、粗粒度模拟中重建高分辨率时空动力学的挑战。
• 克服纯数据驱动的超分辨率方法在物理一致性与泛化能力方面的局限性。
• 将物理约束——特别是偏微分方程（PDEs）和边界条件——整合进深度学习框架，以提升重建保真度。
• 开发一种可扩展且高效的架构，联合处理时间与空间超分辨率，同时保持物理合理性。
• 在多种非线性PDE系统（包括湍流流动和反应-扩散过程）中验证该方法的有效性。

提出的方法

• 利用时间插值进行流场估计，以建模低分辨率时间步之间的动态演化。
• 采用ConvLSTM网络，通过捕捉序列数据中的长程依赖关系，学习时间细化。
• 应用堆叠残差块与宽激活函数，以在潜在空间中提取鲁棒的低分辨率特征。
• 通过像素重排（pixelshuffle）实现子像素卷积层，实现从低分辨率到高分辨率网格的高效且可学习的空间上采样。
• 将边界条件直接硬编码进网络架构，以提升域边界处的解精度。
• 使用有限差分（FD）核离散化PDE导数——时间方向采用二阶中心差分，空间方向采用四阶中心差分——并通过前向/后向差分自适应处理边界节点。

实验结果

研究问题

• RQ1 物理信息深度学习框架能否有效从低分辨率模拟中重建高分辨率时空动力学，同时尊重底层PDE？
• RQ2 与纯数据驱动模型相比，ConvLSTM与物理约束的结合如何提升时间一致性和重建精度？
• RQ3 硬编码边界条件对物理系统中超分辨率的收敛性与精度有何影响？
• RQ4 不同有限差分核阶数（3×3、5×5、7×7）如何影响重建精度与计算成本之间的权衡？
• RQ5 所提出的框架在多种非线性PDE系统（如二维Rayleigh-Bénard对流和三维Ginzburg-Landau反应-扩散方程）中的泛化能力如何？

主要发现

• 所提出的PhySR框架在二维Ginzburg-Landau反应-扩散系统上，相对全域重建误差显著更低（3.60±0.27%），优于基线方法。
• 使用5×5有限差分核在精度与计算效率之间提供了有利平衡，尽管7×7核的性能仅略有提升，但训练时间更高。
• 消融研究证实，引入ConvLSTM与物理信息损失可同时提升重建动力学的时间一致性和空间保真度。
• 边界条件的硬编码显著提升了解的精度并加速了网络收敛，尤其在域边界附近效果更明显。
• 该方法在多种非线性PDE系统（包括混沌系统如二维RBC和三维GS RD方程）中表现出强大的可扩展性与泛化能力。
• 通过大量数值实验验证，该框架在重建精度与计算效率方面均优于现有最先进方法。