基于多步长混合专家神经算子实现稳定的细时间步长长程湍流预测
流体动力学
2026-04-15 v1
摘要
神经算子日益增多地用作湍流流动时间推进预测的数据驱动替代方案。然而，长程自回归预测对误差积累和预测间隔选择较为敏感。过小的时间步长会增加时间冗余并延长预测范围，从而可能降低神经算子在湍流预测中的稳定性。本工作追求统一目标：在三维湍流中实现细时间分辨率下的稳定长程自回归预测。我们提出一种基于隐式因子化 Transformer（IFactFormer）主干网络构建的多步长混合专家（Ms-MoE）神经算子。该模型基于请求的相对步长进行条件化，并使用时间步长路由器激活特定尺度的路由专家以及共享专家，形成一种表示步长参数化时间推进算子族的单一架构。我们在强迫均匀各向同性湍流（HIT）和湍流通道流动上进行评估，使用过滤的直接数值模拟数据集。相对于以往研究中使用的采样间隔，我们构建了最高可达其 20 倍更细的时间分辨率的训练数据集，并报告了在定性时间切片比较和长时间平均统计量上的长程自回归预测。Ms-MoE-IFactFormer 在 HIT 和湍流通道流动上实现了更稳定的长程预测，并在长时间平均统计量上获得更好的一致性，表明其在更复杂的湍流中实现细时间分辨率的时间推进具有潜力。
引用
@article{arxiv.2604.12794,
title = {Stable Fine-Time-Step Long-Horizon Turbulence Prediction with a Multi-Stepsize Mixture-of-Experts Neural Operator},
author = {Guanyu Pan and Huiyu Yang and Yunpeng Wang and Zikun Xu and Jianchun Wang and Nianyu Yi},
journal= {arXiv preprint arXiv:2604.12794},
year = {2026}
}
备注
21 pages, 12 figures