OmniFluids: Unified Physics Pre-trained Modeling of Fluid Dynamics

要約

流体ダイナミクスの高忠実度と効率的なシミュレーションは、さまざまな科学および工学アプリケーションの進行を促進します。
従来の計算流体ダイナミクス法は、強力な解釈可能性と保証された収束を提供しますが、微細な空間的および時間的メッシュに依存しており、法外な計算コストが発生します。
物理学に基づいたニューラルネットワーク（PINN）とニューラル演算子は、ディープ学習技術を使用してPDEソルバーを加速することを目指しています。
ただし、PINNには広範な再訓練と慎重な調整が必要であり、純粋にデータ駆動型のオペレーターが大きなラベル付きデータセットを必要とします。
ハイブリッド物理対応方法は、数値離散化をネットワークアーキテクチャまたは損失関数に埋め込みましたが、粗速度の測定値とのバランスをとると、限界速度の向上を達成し、不安定になります。
この目的のために、Omnifluidsを紹介します。これは、物理学のみの事前トレーニング、粗グリッドオペレーターの蒸留、および少数の微調整を統合する統合された物理学の事前訓練を受けたオペレーター学習フレームワークであり、制限またはゼロのデータ監督下での迅速な推論と正確な予測を可能にします。
建築設計のために、オムニフルイドの主要なコンポーネントには、オペレーターの混合、マルチフレームデコーダー、および物理ベースの監督とシームレスな統合を維持しながら、多様な物理タスクの効率的でスケーラブルなモデリングを可能にする因数分解フーリエ層が含まれます。
幅広い2次元および3次元のベンチマークにわたって、Omnifluidは、フローフィールドの再構築と乱流統計の精度における最先端のAI駆動型の方法を大幅に上回り、古典的なソルバーと比較して10〜100倍のスピードアップを提供し、宇宙データから未知の物理パラメーターを正確に再生します。
この作業は、限られたデータの可用性の下で複雑な流体システムにおける効率的で一般化可能な代理モデリングのための新しいパラダイムを確立します。

要約(オリジナル)

High-fidelity and efficient simulation of fluid dynamics drive progress in various scientific and engineering applications. Traditional computational fluid dynamics methods offer strong interpretability and guaranteed convergence, but rely on fine spatial and temporal meshes, incurring prohibitive computational costs. Physics-informed neural networks (PINNs) and neural operators aim to accelerate PDE solvers using deep learning techniques. However, PINNs require extensive retraining and careful tuning, and purely data-driven operators demand large labeled datasets. Hybrid physics-aware methods embed numerical discretizations into network architectures or loss functions, but achieve marginal speed gains and become unstable when balancing coarse priors against high-fidelity measurements. To this end, we introduce OmniFluids, a unified physics pre-trained operator learning framework that integrates physics-only pre-training, coarse-grid operator distillation, and few-shot fine-tuning, which enables fast inference and accurate prediction under limited or zero data supervision. For architectural design, the key components of OmniFluids include a mixture of operators, a multi-frame decoder, and factorized Fourier layers, which enable efficient and scalable modeling of diverse physical tasks while maintaining seamless integration with physics-based supervision. Across a broad range of two- and three-dimensional benchmarks, OmniFluids significantly outperforms state-of-the-art AI-driven methods in flow field reconstruction and turbulence statistics accuracy, delivering 10-100x speedups compared to classical solvers, and accurately recovers unknown physical parameters from sparse, noisy data. This work establishes a new paradigm for efficient and generalizable surrogate modeling in complex fluid systems under limited data availability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google