探索用于高分辨率流场复原的物理潜空间
机器学习
2023-10-04 v2
摘要
我们探索通过偏微分方程(PDEs)将深度神经网络模型与物理仿真联合训练，使用仿真自由度作为神经网络的潜空间。与以往工作不同，本文将仿真空间的自由度纯粹视作供神经网络使用的工具。我们针对学习降维表示展示了该概念，因为传统降维表示极难在长时间跨度上忠实保留正确解，尤其对于含有大量小尺度特征的解。本工作聚焦于利用此类物理的、降维的潜空间进行精细仿真复原，通过训练能够按需修改降维物理状态内容以最佳满足学习目标的模型。这种自主性使神经网络能够发现可显著改善给定任务性能的替代动力学。我们针对从多种湍流场景到上升烟羽等各类流体流动展示了该概念。
引用
@article{arxiv.2211.11298,
title = {Exploring Physical Latent Spaces for High-Resolution Flow Restoration},
author = {Chloe Paliard and Nils Thuerey and Kiwon Um},
journal= {arXiv preprint arXiv:2211.11298},
year = {2023}
}
备注
20 pages, 18 figures