图神经网络做物理感知的流匹配，搞定复杂流体动力学

图神经网络做物理感知的流匹配，搞定复杂流体动力学

Physically-Informed Flow Matching with Graph Neural Networks for Complex Fluid Dynamics

https://ojs.aaai.org/index.php/AAAI/article/view/37072

摘要

计算流体动力学（CFD）模拟传统上需要大量的计算资源，限制了其在许多大规模科学与工程应用中的实用性。我们介绍了物理信息流匹配图网络（PIFM-GN），这是一种新颖的生成框架，可以直接在指定的物理条件下采样流体状态，而无需昂贵的时步模拟。我们方法的关键创新在于，通过矢量势参数化速度场，将不可压缩性约束直接纳入流匹配传输过程，并利用基于图的旋度算子确保无散度预测，而无需全局压力-泊松求解。在多种流体动力学问题上的实验——从二维表面压力分布和完整流场，到复杂的三维气流场——表明，PIFM-GN 能够以比基于扩散的替代方法显著更少的采样步骤生成高保真样本。最值得注意的是，我们的模型即使在单步采样的情况下也能保持有竞争力的性能，而扩散模型在这种情形下会完全失败。我们生成的样本准确地再现了目标流的统计特征，成功捕捉了各种流动条件下的多模态压力分布，同时与基于扩散的方法相比实现了显著的计算加速。因此，PIFM-GN 能够为科学与工程应用中的下游分析和设计任务高效地生成流体状态。

引言

计算流体动力学（CFD）仿真在从航空航天工程到气候建模等众多学科的科学研究和工程设计中起着至关重要的作用（Karniadakis and Sherwin 2013; Verma, Novati, and Petros Koumoutsakos 2018; Kochkov et al. 2021）。尽管数值方法取得了进步，但传统仿真的高计算成本，尤其是对于复杂几何形状和湍流，严重限制了它们在设计优化、不确定性量化和参数空间探索中的实际大规模应用（Pope 2004; Moin and Kim 1982; Maher, Milinski, and Ludwig 2021）。

在实际工程应用中，主要的兴趣在于在给定物理条件（例如，雷诺数、几何形状、边界条件）下快速获得特定的流体状态（Pope 2000; Caros et al. 2022; Giovani et al. 2025）。从这些生成的状态中，可以推导出诸如平均流、脉动强度和空间相关性等关键统计特性（Jané-Ippel et al. 2023; Kochkov et al. 2024）。传统上，获得此类状态或其统计矩需要密集的数值仿真（Moin and Kim 1982），涉及在达到平衡之前漫长的瞬态阶段、用于数值稳定性和精度的小时间步长（尤其是对于湍流），以及用于处理诸如不可压缩性等约束的迭代求解器（Alfonsi 2009; Zhao et al. 2025; Liu et al. 2024）。

生成式深度学习的最新进展为直接从复杂分布中采样提供了有前景的替代方案（Li et al. 2021; Lino et al. 2023; Gao, Kaltenbach, and Koumoutsakos 2024; Christopher, Baek, and Fiorento 2024; Wang et al. 2024; Jessica et al. 2024）。特别是，扩散模型已被应用于流体流动生成（Zhang et al. 2024; Valencia, Thuerey, and Pfaff 2024; Bastek, Sun, and Kochmann 2025; Xue et al. 2024），使得能够直接采样代表平衡分布的状态，而无需昂贵的瞬态仿真（Song, Meng, and Ermon 2021; Valencia, Thuerey, and Pfaff 2024; Lienen et al. 2024）。然而，这些方法面临重大挑战：它们通常需要许多采样步骤才能获得高质量结果，并且可能违反诸如不可压缩性等物理守恒定律，从而需要昂贵的投影步骤或后处理校正（Toshev et al. 2024; Lippe et al. 2023; Wu et al. 2024）。流匹配（Lipman et al. 2023）通过定义一个连续时间向量场提供了一种更高效的替代方案，该向量场直接将简单的噪声分布变换为目标分布，从而以显著更少的积分步骤实现高质量采样。现有的流匹配方法尚未广泛适应非结构化网格几何，也未明确设计用于保持流体动力学中固有的关键物理约束（Rohbeck et al. 2025; Lipman et al. 2023）。

我们通过引入物理信息流匹配图网络（PIFM-GN）来解决这些局限性，这是一种新颖的流体流动生成框架，它将流匹配的效率与物理守恒定律的严格强制执行相结合。我们的关键创新在于通过矢量势参数化，将不可压缩性约束直接纳入流匹配传输过程。通过将速度场表示为适当势函数的旋度（3D 中的矢量势或 2D 中的标量流函数），PIFM-GN 通过构造保证零散度，并消除了对昂贵投影步骤的需求（Alfonsi 2009; Pope 2004）。此外，PIFM-GN 使用图神经网络直接在非结构化网格上运行，并配备专门的微分算子，用于计算任意几何形状上势函数的旋度（Pfaff et al. 2021），自然地适应复杂边界并实现自适应分辨率分配。

这项工作的贡献主要有三个方面：我们系统地验证了流匹配作为复杂 CFD 问题的高效生成方法，实现了比替代方法显著更少积分步骤的快速采样；我们通过将不可压缩性约束直接嵌入流匹配框架来增强物理保真度，从而确保物理一致的生成，无需校正后处理；并且我们展示了在多种流动配置中稳健、高质量的性能，包括扩散模型通常失败的具有挑战性的单步采样情形。通过将流匹配的计算效率与严格的物理约束相结合，PIFM-GN 能够在不同条件下快速生成物理一致的流体状态，为流体动力学应用中的加速仿真和设计优化提供了新的见解（Guest, Cranmer, and Whiteson 2018; Jumper et al. 2021）。

相关工作

流体动力学与物理系统中的深度学习。深度学习已经彻底改变了许多科学领域，其中流体流动问题受到了显著关注（Guest, Cranmer, and Whiteson 2018; Jumper et al. 2021; Pathak et al. 2022; Morton et al. 2018; Bar-Sinai et al. 2019; Lino et al. 2023; Xu et al. 2023; Würth et al. 2024）。大多数早期方法侧重于平均流或确定性时间演化的代理建模，通常采用限制在规则网格上的卷积神经网络（CNN）（Morton et al. 2018; Bar-Sinai et al. 2019）。对于复杂几何形状和自适应空间分辨率，图神经网络（GNN）已成为一种强大的替代方案，直接在非结构化网格上运行（Pfaff et al. 2021; Horie and Mitsume 2022; Lino et al. 2022）。这些基于网格的方法在建模涉及复杂边界和非均匀空间梯度的稳态和非稳态流动方面表现出特别的功效（Belbute-Peres, Economon, and Kolter 2020; Lam et al. 2023）。多尺度 GNN 架构通过实现跨域的高效信息传播进一步增强了性能（Gao and Ji 2019）。诸如 HelmFluid（Xing et al. 2024）等物理信息方法进一步展示了将物理约束直接纳入神经架构的潜力。

物理场的生成模型。包括高斯混合模型（GMM）、变分自编码器（VAE）和生成对抗网络（GAN）在内的概率模型已被应用于建模物理系统状态上的分布（Goodfellow et al. 2014; Maulik et al. 2020; Drygala et al. 2022; Kim and Lee 2020）。最近，去噪扩散概率模型（DDPM）已成为一类强大的生成模型，在捕捉分布多样性方面表现出优于 GAN 的性能（Ho, Jain, and Abbeel 2020; Nichol and Dhariwal 2021; Dhariwal and Nichol 2021）。在物理科学中，扩散模型已在流场超分辨率和重建（Shu, Li, and Farimani 2023; Li et al. 2023）、欠解析模拟中的不确定性估计（Liu and Thuerey 2024）以及增强自回归展开的长期稳定性（Lippe et al. 2023; Rühling Cachay et al. 2024; Kohl, Chen, and Thuerey 2023）中得到应用。

方法

问题表述

用于生成建模的流匹配

基于图神经网络的物理信息流匹配

我们的 PIFM-GN 架构将流匹配框架扩展到表示非结构化网格上流体流动的图结构数据，同时纳入物理约束以确保生成的样本满足守恒定律（Pfaff et al. 2021; Gao and Ji 2019）。图 1 展示了我们 PIFM-GN 框架的整体架构。

多尺度图处理：处理器由一系列下采样、瓶颈和上采样块组成。每个下采样块在当前分辨率下应用若干消息传递层，然后使用基于粗化掩码的图池化操作对图进行下采样，这些掩码保留了拓扑结构。在最粗分辨率下，瓶颈中的消息传递层处理全局特征。每个上采样块从前一层接收特征，将它们上采样到更细的分辨率，并通过跳跃连接将它们与来自编码路径的相应特征相结合（Gao and Ji 2019）。每个层级上的消息传递如下：

实验

实验设置

数据集我们遵循先前的工作（Lino et al. 2022; Valencia, Pfaff, and Thuerey 2025）考虑三个实验领域：(1) Ellipse：准周期层流中二维椭圆壁上的压力，(2) EllipseFlow：该椭圆周围的速度和压力场，以及 (3) Wing：三维湍流中机翼上的压力。Ellipse 和 EllipseFlow 数据改编自（Lino et al. 2022），而 Wing 数据集改编自（Valencia, Pfaff, and Thuerey 2025）。对于所有数据集，我们在有限的时间窗口上进行训练（Ellipse/EllipseFlow 为10个连续状态，Wing 为250个状态）。这些数据集的详细统计、数据集划分和其他特征在附录中提供。

基线我们将 PIFM-GN 及其潜在流匹配变体 PIFM-GN (L) 与基于扩散的图网络进行比较，包括 DGN（Valencia, Pfaff, and Thuerey 2025）和 LDGN（Valencia, Pfaff, and Thuerey 2025），以及其他方法，包括高斯混合 GNN（GM-GNN）和变分图自编码器（VGAE）。我们实验中所有 GNN 模型使用4个尺度，隐藏大小为128。实现细节、详细配置和有关基线的其他信息在附录中提供。

采样性能评估

我们评估我们的PIFM-GN模型在生成流体状态方面的性能，重点关注样本质量、分布精度、分布外泛化和计算效率。我们与几个基线进行比较，包括基于扩散的模型（DGN、LDGN）、其他流匹配模型（FMGN、FMGN (L)）以及传统的基于图的方法（VGAE、GM-GNN）。

单步生成能力
我们的PIFM-GN模型的一个关键优势是它们在单步生成（ T = 1 ）中的卓越性能，这是传统基于扩散的方法显著难以应对的场景。这种能力代表了流体动力学应用中的实质性计算优势，在这些应用中，快速样本生成通常是必不可少的。

结论

在本文中，我们介绍了物理信息流匹配图网络（PIFM-GN），这是一种新颖的生成建模框架，通过实现高效、物理一致的流体状态采样，解决了计算流体动力学中的重要局限性。我们的实验结果表明，与现有方法相比，PIFM-GN实现了优越的样本质量和计算效率。通过将物理信息建模与高效生成方法相结合，PIFM-GN展示了深度学习方法如何补充传统的计算流体动力学，从而在科学计算应用中实现新能力。

原文链接：https://ojs.aaai.org/index.php/AAAI/article/view/37072