Eagle：基于网格 Transformer 的大规模湍流流体动力学学习
机器学习
2023-03-20 v2 人工智能
流体动力学
摘要
流体动力学估计经典上通过求解纳维-斯托克斯方程的数值模型仿真与积分完成，即便在高性能硬件上也计算复杂且耗时。这是一个众所周知的难题，近来被机器学习特别是图神经网络(GNN)及其变体所应对，这些模型在具有固定几何的静态场景静态物体数据集上训练与评估。我们试图超越现有工作的复杂度并引入新的模型、方法与基准。我们提出 EAGLE，一个由移动流源与非线性场景结构交互引起的非定常流体动力学仿真所得的 110 万 2D 网格大规模数据集，包含三种不同类型共 600 个不同场景。为在具挑战性的 EAGLE 数据集上进行压力与速度的未来预测，我们引入一种新的网格 transformer。它利用节点聚类、图池化与全局注意力来学习空间遥远数据点间的长程依赖，而无需像现有 GNN 方法那样大量迭代。我们表明我们的 transformer 在现有合成与真实数据集以及 EAGLE 上均优于 SOTA 表现。最后，我们强调我们的方法学会关注气流，在单次迭代中整合复杂信息。
引用
@article{arxiv.2302.10803,
title = {Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh Transformers},
author = {Steeven Janny and Aurélien Béneteau and Madiha Nadri and Julie Digne and Nicolas Thome and Christian Wolf},
journal= {arXiv preprint arXiv:2302.10803},
year = {2023}
}
备注
Published as a conference paper at ICLR 2023