A 3D super-resolution of wind fields via physics-informed pixel-wise self-attention generative adversarial network

要約

地球温暖化を緩和するには、温室効果ガスの発生源を高い空間解像度で解決し、時間内に監視して確実に汚染源を削減し、最終的に除去する必要があります。
ただし、高解像度の風場を解決する際の計算は複雑であるため、シミュレーションではさまざまな時間長やモデル構成をテストするのは非実用的でした。
この研究では、9 倍にアップスケーリングすることで 3 次元 (3D) 低解像度の風場を超解像する、物理学に基づいた超解像 (SR) 敵対的生成ネットワーク (GAN) の予備開発を紹介します。
私たちは、セルフ アテンション計算とそれに続く 2D 畳み込みを通じて 3D 気象ダイナミクスを学習するピクセル単位のセルフ アテンション (PWA) モジュールを開発します。
また、事前トレーニング中にセルフ アテンション マップを正規化する損失項を採用し、入力風データから垂直対流プロセスをキャプチャします。
新しい PWA SR-GAN は、高忠実度の超解像度 3D 風データを表示し、高周波数領域で風の構造を学習し、高解像度の風シミュレーションの計算コストを 89.7 分の 1 に削減します。

要約(オリジナル)

To mitigate global warming, greenhouse gas sources need to be resolved at a high spatial resolution and monitored in time to ensure the reduction and ultimately elimination of the pollution source. However, the complexity of computation in resolving high-resolution wind fields left the simulations impractical to test different time lengths and model configurations. This study presents a preliminary development of a physics-informed super-resolution (SR) generative adversarial network (GAN) that super-resolves the three-dimensional (3D) low-resolution wind fields by upscaling x9 times. We develop a pixel-wise self-attention (PWA) module that learns 3D weather dynamics via a self-attention computation followed by a 2D convolution. We also employ a loss term that regularizes the self-attention map during pretraining, capturing the vertical convection process from input wind data. The new PWA SR-GAN shows the high-fidelity super-resolved 3D wind data, learns a wind structure at the high-frequency domain, and reduces the computational cost of a high-resolution wind simulation by x89.7 times.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google