EddyFormer：基于Transformer的三维湍流大规模神经模拟加速器
机器学习
2025-10-29 v1 数值分析
动力系统
数值分析
流体动力学
摘要
在流体力学中，计算分辨湍流仍是核心挑战，由于其多尺度相互作用。通过直接数值模拟(DNS)完全解析大尺度湍流在计算上是昂贵的，动机是数据驱动的机器学习替代方案。本文提出EddyFormer，一种基于Transformer的谱元素(SEM)架构，用于大规模湍流仿真，将谱方法的精度与注意力机制的可扩展性相结合。我们引入SEM标记化，将流动分解为网格尺度和次网格尺度组件，以捕获局部和全局特征。我们创建了一个新的三维各向同性湍流数据集，并训练EddyFormer以实现256^3分辨率下的DNS水平精度，为DNS提供了30倍的加速。在应用到训练中未见的域（最大4倍于训练）时，EddyFormer在能谱、相关函数和结构函数等物理不变指标上保持精度，显示出域泛化能力。在The Well基准套件中，EddyFormer解决了先前ML模型无法收敛的案例，准确再现了在广泛物理条件下复杂动力学。
关键词
引用
@article{arxiv.2510.24173,
title = {EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale},
author = {Yiheng Du and Aditi S. Krishnapriyan},
journal= {arXiv preprint arXiv:2510.24173},
year = {2025}
}
备注
NeurIPS 2025