面向科学模拟时空超分辨率的算子学习框架
机器学习
2024-04-09 v2
摘要
在许多情形下，为了忠实捕捉发生在小尺度时空上的关键动力学过程，需要求解偏微分方程的高分辨率解，但由于计算资源有限，使用传统方法获得这些解可能非常困难且缓慢。近期一种规避这些计算限制的思路是利用机器学习技术进行超分辨率重建，从可更高效获得的低分辨率模拟中重构高分辨率数值解。本文提出的方法——超分辨率算子网络（SROpNet），将超分辨率视为算子学习问题，并借鉴现有架构，从低分辨率近似中学习参数化微分方程解的连续表示，该表示可在任意期望位置求值。此外，对于提供低分辨率近似的（固定数量的）时空传感器的位置不作限制，从而能够考虑实践中出现的更广泛问题，而许多现有超分辨率方法并不适用于此类问题。
引用
@article{arxiv.2311.02328,
title = {An Operator Learning Framework for Spatiotemporal Super-resolution of Scientific Simulations},
author = {Valentin Duruisseaux and Amit Chakraborty},
journal= {arXiv preprint arXiv:2311.02328},
year = {2024}
}
备注
31 pages