SIMR-NO：用于湍流场超分辨率的谱域信息多分辨率神经算子
机器学习
2026-03-31 v1 流体动力学
摘要
从严重欠解析的观测中重建高分辨率湍流场是计算流体力学和科学机器学习中的一个基本逆问题。经典插值方法无法恢复缺失的细小尺度结构，而现有的深度学习方法依赖卷积架构，缺乏针对大尺度放大因子进行物理保真重建所必需的谱域和多尺度归纳偏差。我们引入谱域信息多分辨率神经算子 (SIMR-NO)，这是一种分层算子学习框架，对不确定的逆映射在中间空间分辨率上进行因子化，结合确定性插值先验与谱域门控傅里叶残差校正于每个阶段，并包含局部细化模块以恢复截断傅里叶基底之外的细小尺度空间特征。该方法在克莱札尔-福尔特二维湍流中进行评估， 的涡度场从极粗糙的 观测重建，代表 下采样因子。在 201 个独立测试实现中，SIMR-NO 实现了均值相对 误差为 ，且在所有方法中具有最低误差方差，相较于 FNO、EDSR 和 LapSRN 分别降低了 、 和 。除了点预测精度外，SIMR-NO 是唯一能够在完整已解析波数范围内忠实再现基准能谱和涡旋谱的方法，证明了湍流场的物理一致超分辨率。
引用
@article{arxiv.2603.28073,
title = {SIMR-NO: A Spectrally-Informed Multi-Resolution Neural Operator for Turbulent Flow Super-Resolution},
author = {Muhammad Abid and Omer San},
journal= {arXiv preprint arXiv:2603.28073},
year = {2026}
}