面向 Exascale 级气体扩散的像素分辨率长程学习：解析向粘性极限的细尺度涡流
流体动力学
2025-07-23 v1 机器学习
摘要
湍流在包括气动、聚变和燃烧在内的多物理学应用中发挥着关键作用。准确捕捉湍流的多尺度特征对于可靠地预测多物理学相互作用至关重要，但即便在 Exascale 级超级计算机和先进深度学习模型面前，这仍是一个巨大的挑战。表示湍流所需的极高分辨率数据（从数十亿到数万亿个网格点）对基于如视觉变换器等体系结构的模型构成了计算成本的严重限制。为此，我们引入了一种多尺度层次湍流变换器，将序列长度从数十亿缩减至数百万，同时提出了一种新颖的 RingX 序列并行方法，实现可扩展的长程学习。我们在Frontier超级计算机上进行了规模测试和科学运行。该方法在32,768个AMD GPU上实现了最高达1.1 EFLOPS的优异性能，扩展效率达94%。在我们看来，这是首个能够捕捉向耗散范围细尺度涡流的 AI 模型。
引用
@article{arxiv.2507.16697,
title = {Pixel-Resolved Long-Context Learning for Turbulence at Exascale: Resolving Small-scale Eddies Toward the Viscous Limit},
author = {Junqi Yin and Mijanur Palash and M. Paul Laiu and Muralikrishnan Gopalakrishnan Meena and John Gounley and Stephen M. de Bruyn Kops and Feiyi Wang and Ramanan Sankaran and Pei Zhang},
journal= {arXiv preprint arXiv:2507.16697},
year = {2025}
}