MeshfreeFlowNet：一种物理约束的深度连续时空超分辨率框架
机器学习
2020-08-24 v2 图像与视频处理
流体动力学
机器学习
摘要
我们提出 MeshfreeFlowNet，一种新颖的基于深度学习的超分辨率框架，用于从低分辨率输入生成连续（无网格）时空解。MeshfreeFlowNet 在计算效率高的同时，能准确恢复感兴趣的细尺度量。MeshfreeFlowNet 允许：（i）在所有时空分辨率上对输出进行采样，（ii）施加一组偏微分方程（PDE）约束，以及（iii）由于其全卷积编码器，可在任意大小的时空域上使用固定大小的输入进行训练。我们通过瑞利-贝纳德对流问题中的湍流超分辨率任务，实证研究了 MeshfreeFlowNet 的性能。在一系列不同的评估指标上，我们表明 MeshfreeFlowNet 显著优于现有基线。此外，我们提供了 MeshfreeFlowNet 的大规模实现，并证明它能在大型集群上高效扩展，在多达 128 个 GPU 上达到 96.80% 的扩展效率，训练时间少于 4 分钟。
引用
@article{arxiv.2005.01463,
title = {MeshfreeFlowNet: A Physics-Constrained Deep Continuous Space-Time Super-Resolution Framework},
author = {Chiyu Max Jiang and Soheil Esmaeilzadeh and Kamyar Azizzadenesheli and Karthik Kashinath and Mustafa Mustafa and Hamdi A. Tchelepi and Philip Marcus and Prabhat and Anima Anandkumar},
journal= {arXiv preprint arXiv:2005.01463},
year = {2020}
}
备注
Supplementary Video: https://youtu.be/mjqwPch9gDo. Accepted to SC20