用于湍流模拟的注意力增强神经网络模型
流体动力学
2022-02-23 v3 计算物理
摘要
深度神经网络模型在加速流体动力学系统模拟方面已显示出巨大潜力。一旦训练完成，这些模型可在数秒内完成推理，因此极为高效。然而，当流动变得混沌和湍流时，它们面临泛化问题。最重要的原因之一是，现有模型缺乏处理湍流独特特征的机制：多尺度流动结构非均匀分布且强烈非平衡。在这项工作中，我们利用视觉注意力的概念解决此问题：直观上，我们期望注意力模块通过自动调整不同区域的权重来捕捉湍流的非平衡性。我们在二维(2D)湍流预测任务上，以最先进的神经网络模型 Fourier Neural Operator (FNO) 为基准测试了性能提升。数值实验表明，注意力增强神经网络模型能很好地泛化到更高雷诺数流动，并能准确重建湍流的多种统计量与瞬时空间结构。注意力机制以 1% 的参数增加和同等计算成本，实现了 40% 的误差降低。
引用
@article{arxiv.2110.02471,
title = {Attention-Enhanced Neural Network Models for Turbulence Simulation},
author = {Wenhui Peng and Zelong Yuan and Jianchun Wang},
journal= {arXiv preprint arXiv:2110.02471},
year = {2022}
}
备注
18 pages, 25 figures