Masked Patches 上 Latent Attention 以流重建
机器学习
2026-04-14 v2
摘要
视觉变换器在图像生成中展现了卓越的性能，但其在流体动力学中的应用仍有限。我们提出了 Latent Attention on Masked Patches (LAMP) 模型，这是一种用于掩码流重建的可解释的基于回归的改进视觉变换器。LAMP 遵循三步策略：(i) 将每个流快照划分为若干块，(ii) 通过正交分解进行块级降维，(iii) 使用通过闭式线性回归训练的单层变换器从掩码输入重建完整场。我们在两种典型二维不可稳定湍流上进行测试：一是布尔体后湍流，二是两柱柱后的湍流。实验表明，在湍流案例中，LAMP 可准确地从 90% 掩码且带噪声的输入重建完整流场，信噪比范围为 10-30dB。此外，学习到的注意力矩阵可生成可解释的多保真度传感器布局图。LAMP 在湍流案例中的性能有限，但优于诸如 gappy POD 等其他回归方法。该框架的模块化天然支持非线性压缩和深层注意力块，从而为非线性、高维掩码流重建提供了有效的基线。
引用
@article{arxiv.2603.02028,
title = {Latent attention on masked patches for flow reconstruction},
author = {Ben Eze and Luca Magri and Andrea Nóvoa},
journal= {arXiv preprint arXiv:2603.02028},
year = {2026}
}
备注
8 pages, 5 figures, accepted for publication in Springer's LNCS Series and for poster presentation at ICCS (International Conference on Computational Science) 2026