Mitigación del sesgo espectral en los operadores neuronales a través del escalamiento de alta frecuencia para...

Área de la Ciencia:

• Dinámica de fluidos computacional
• Aprendizaje automático para la física
• Aprendizaje profundo para el modelado científico

Sus antecedentes:

• Los operadores neuronales son herramientas poderosas para modelar sistemas físicos complejos.
• El sesgo espectral en los operadores neuronales limita su capacidad para capturar modos de alta frecuencia, lo que lleva a soluciones suavizadas.
• Esta limitación es particularmente problemática para los sistemas de múltiples escalas como los flujos turbulentos y los flujos de varias fases.

Objetivo del estudio:

• Introducir y evaluar un nuevo método, el escalamiento de alta frecuencia (HFS), para mitigar el sesgo espectral en los operadores neurales convolucionales.
• Mejorar la precisión de predicción de los operadores neuronales en el modelado de problemas de flujo de una y dos fases.
• Explorar estrategias alternativas de mitigación del sesgo espectral utilizando modelos de difusión.

Principales métodos:

• Desarrollado e integrado escalado de alta frecuencia (HFS) en operadores neuronales convolucionales, específicamente variantes de UNet.
• HFS aplicado directamente en el espacio latente, evitando los cálculos de la transformada de Fourier.
• Investigó el uso de modelos de difusión condicionados a operadores neuronales, comparando versiones estándar y mejoradas con HFS.

Principales resultados:

• La integración de HFS mejoró significativamente la precisión de la predicción en problemas de flujo de una y dos fases al mitigar el sesgo espectral.
• El método HFS demostró su eficacia sin la sobrecarga computacional de las técnicas basadas en Fourier.
• Los modelos de difusión combinados con operadores neuronales mejorados por HFS mostraron errores sustancialmente reducidos en comparación con los operadores neuronales estándar.

Conclusiones:

• El escalamiento de alta frecuencia (HFS) es una técnica efectiva para abordar el sesgo espectral en los operadores neuronales convolucionales.
• HFS ofrece una alternativa computacionalmente eficiente a los métodos basados en Fourier para mejorar el rendimiento del operador neuronal en dinámica de fluidos.
• La combinación de HFS con modelos de difusión mejora aún más la precisión de los modelos de aprendizaje automático basados en la física para simulaciones de flujo complejas.