聚焦湍流：基于 BLASTNet 2.0 数据的三维体超分辨率缩放行为基准测试
摘要
可压缩湍流的分析对于推进、能源生成和环境等相关应用至关重要。在此，我们提出 BLASTNet 2.0，一个 2.2 TB 的数据集网络，包含来自 34 个高保真直接数值模拟的 744 个全域样本，解决了当前三维高保真反应与非反应可压缩湍流模拟数据有限的问题。利用该数据，我们对五种深度学习方法的共 49 种变体进行了三维超分辨率的基准测试——这些方法可用于改进科学成像、模拟、湍流模型以及计算机视觉应用。我们对这些模型进行了神经缩放分析，以考察不同机器学习（ML）方法（包括两种科学 ML 技术）的性能。我们证明：(i) 预测性能可随模型规模和成本而缩放，(ii) 架构影响显著，尤其对较小模型而言，(iii) 基于物理的损失的好处可随模型规模增大而持续。该基准研究的成果有望为三维超分辨率模型（尤其是湍流模型）的设计提供见解，而该数据有望促进面向广泛流动物理应用的 ML 方法。该数据已公开可用，下载链接与浏览工具汇总于 https://blastnet.github.io。
引用
@article{arxiv.2309.13457,
title = {Turbulence in Focus: Benchmarking Scaling Behavior of 3D Volumetric Super-Resolution with BLASTNet 2.0 Data},
author = {Wai Tong Chung and Bassem Akoush and Pushan Sharma and Alex Tamkin and Ki Sung Jung and Jacqueline H. Chen and Jack Guo and Davy Brouzet and Mohsen Talei and Bruno Savard and Alexei Y. Poludnenko and Matthias Ihme},
journal= {arXiv preprint arXiv:2309.13457},
year = {2023}
}
备注
Accepted in Adv. in Neural Information Processing Systems 36 (NeurIPS 2023). Link: https://nips.cc/virtual/2023/poster/73433 . 55 pages, 21 figures. Keywords: Super-resolution, 3D, Neural Scaling, Physics-informed Loss, Computational Fluid Dynamics, Partial Differential Equations, Turbulent Reacting Flows, Direct Numerical Simulation, Fluid Mechanics, Combustion, Computer Vision