Patched Flow Matching: Generative Wall-Pressure Reconstruction Beyond Training-Domain Scales from Sparse Sensors

Resumen Técnico: Flow Matching con Parches para la Reconstrucción de la Presión en la Pared

Planteamiento del Problema
Caracterizar el espectro completo de la presión en la pared en flujos turbulentos con límites en la pared es un desafío fundamental debido a la naturaleza de banda ancha y multiescala del fenómeno. El espectro requiere la resolución simultánea de dos regímenes distintos: la dinámica de la escala viscosa de alto número de onda en la zona cercana a la pared y los movimientos de gran escala energéticos de bajo número de onda en la capa externa. Los métodos existentes no logran capturar ambos simultáneamente:

• Simulación Numérica Directa (DNS): Aunque es precisa para las escalas viscosas, capturar el contenido de la capa externa de bajo número de onda requiere dominios en la dirección de la corriente prohibitivamente grandes (escalando con $O(10\delta)$) y tiempos de integración prolongados, lo que hace que las simulaciones de alto número de Reynolds sean computacionalmente intratables. La DNS de dominio corto preserva la precisión cerca de la pared pero trunca todas las longitudes de onda más allá de la longitud de la caja, perdiendo el contenido energético de bajo número de onda.
• Sensores Experimentales Dispersos: Las matrices de transductores de presión pueden abarcar extensiones considerables en la dirección de la corriente, capturando el contenido de bajo número de onda. Sin embargo, el espaciamiento entre sensores es órdenes de magnitud más grueso que la longitud viscosa, situando las estructuras de alto número de onda por debajo del límite de Nyquist. Además, las mediciones están convolucionadas con las funciones de transferencia de los dispositivos, lo que dificulta la recuperación multiescala.

Los métodos de reconstrucción deterministas (por ejemplo, CNNs de super-resolución) son insuficientes porque colapsan la estocasticidad inherente de la turbulencia y la naturaleza mal planteada de la inversión dispersa en una única estimación difuminada, fallando en capturar estructuras coherentes de pequeña escala o la incertidumbre.

Metodología: Flow Matching con Parches (Patched FM)
Los autores proponen el Flow Matching con Parches (Patched FM), un marco generativo que fusiona un prior de alto número de onda proveniente de una DNS de dominio corto con mediciones de sensores dispersos durante la inferencia. El marco se basa en tres pilares técnicos centrales:

1. Flow Matching Aditivo por Parches para la Independencia de Dominio:
   En lugar de entrenar sobre campos de dominio completo, el modelo aprende un prior local por parches sobre las estadísticas de la presión en la pared escaladas internamente. Los autores derivan una descomposición aditiva por parches del campo vectorial de flow matching. Al factorizar la densidad de dominio completo como un producto de densidades de parches y aplicar la identidad de score-to-velocity para interpolantes lineales, se demuestra que la velocidad de la ODE de dominio completo se descompone en una suma de contribuciones locales por parches independientes.

   • Mecanismo: Una red neuronal compartida $v_\theta$ procesa parches de tamaño fijo. Durante la inferencia, el dominio completo se recubre con estos parches (con orígenes aleatorizados para evitar artefactos de frontera), y el campo de velocidad global se reconstruye sumando las salidas a nivel de parche. Esto desacopla el prior generativo del tamaño del dominio global, permitiendo la reconstrucción en dominios arbitrariamente más grandes que la configuración de entrenamiento.

2. El Escalamiento Interno como Prerrequisito Físico:
   El prior de los parches se entrena en coordenadas escaladas internamente ($x^+, z^+$), donde las estadísticas de alto número de onda son aproximadamente invariantes respecto al número de Reynolds. Esta elección de diseño ancla las estadísticas aprendidas a las escalas viscosas, permitiendo que el modelo generalice a través de diferentes números de Reynolds ($Re_\tau$) sin necesidad de un reentrenamiento total. En contraste, las coordenadas escaladas externamente causan que las estadísticas de alto número de onda varíen significativamente con $Re_\tau$, dificultando la transferencia.

3. Generación Condicional Libre de Entrenamiento:
   Para reconstruir el espectro completo en dominios largos, el marco emplea muestreo posterior libre de entrenamiento.

   • Restricción de Sensores Dispersos: Un término de verosimilitud impone consistencia con las mediciones de sensores dispersos ($y_1$) distribuidos a lo largo del dominio largo.
   • Autorregresión Espacial: El dominio largo se genera secuencialmente (autorregresivamente) en secciones. Una restricción de frontera ($y_2$) asegura que la frontera izquierda de la sección actual coincida con la frontera derecha de la sección anterior, propagando la información de fase y amplitud para las estructuras de gran escala.
   • Guía de Tweedie: La ODE no condicionada se aumenta con correcciones basadas en gradientes derivadas del estimador de Tweedie, lo que permite al modelo condicionarse a operadores de observación arbitrarios sin reentrenar el prior.

Contribuciones Clave

1. Reconstrucción del Espectro Completo en Dominios Grandes: El marco reconstruye con éxito campos de presión en la pared en dominios cuatro veces más grandes que la configuración de entrenamiento ($L^L_x = 16\pi\delta$ frente a $L^S_x = 4\pi\delta$) con una cobertura de sensores de tan solo el 0.25%. Recupera el contenido espectral de bajo número de onda inaccesible para la DNS de dominio corto, manteniendo al mismo tiempo estructuras de pequeña escala de alta fidelidad.
2. Generación Independiente del Tamaño del Dominio: La derivación del campo de velocidad aditivo por parches permite la generación incondicional y la reconstrucción condicionada por sensores en dominios de tamaño arbitrario utilizando una única red compartida, con un costo computacional que escala independientemente de la extensión total del dominio.
3. Transferencia de Número de Reynolds Eficiente en Datos: Al aprovechar el escalamiento interno, el modelo soporta el aprendizaje de transferencia jerárquico ($Re_\tau: 180 \to 500 \to 1000$). El ajuste fino (fine-tuning) requiere solo 500 instantáneas (2.5% de los datos de entrenamiento base) por cada número de Reynolds objetivo, logrando una reducción de hasta 8 veces en el costo de entrenamiento comparado con el entrenamiento desde cero. El marco también demuestra generalización zero-shot a números de Reynolds no vistos.

Resultados
El método fue evaluado en DNS de flujo de canal compresible a $Re_\tau = 180, 500$ y $1000$.

• Fidelidad Espectral: Patched FM recupera con precisión tanto los espectros de número de onda en la dirección de la corriente como en la transversal. En la reconstrucción condicional, reproduce fielmente la energía elevada de bajo número de onda presente en la DNS de dominio largo pero ausente en los datos de entrenamiento de dominio corto.
• Comparación con Baselines:
  • Interpolación Cúbica: Falla en recuperar las estructuras multiescala, produciendo campos severamente suavizados que pierden el contenido de alto número de onda.
  • Flow Matching Estándar (Dominio Completo): Entrenado en campos de resolución completa, este baseline exhibe caídas espectrales y artefactos de mosaico (tiling) al extrapolarse a dominios más grandes, confirmando la necesidad de la descomposición aditiva por parches.
  • Modelos Escalados Externamente: Los modelos entrenados en coordenadas escaladas externamente fallan al transferir eficazmente a números de Reynolds más altos, exhibiendo picos de pérdida y desviaciones espectrales, lo que valida la necesidad física del escalamiento interno.
• Eficiencia de Datos: El marco mantiene la calidad de generación con tan solo 10 instantáneas de entrenamiento en el número de Reynolds objetivo, siempre que el modelo haya sido pre-entrenado en coordenadas escaladas internamente.
• Generalización Zero-Shot: Un modelo entrenado a $Re_\tau = 1000$ reconstruye con éxito campos a $Re_\tau = 500$ sin ajuste fino, mientras que un modelo entrenado a $Re_\tau = 180$ muestra un sesgo hacia abajo en los números de onda intermedios, resaltando los límites de la transferencia desde Reynolds bajos a altos sin adaptación.

Significación y Reivindicaciones
El artículo sostiene que Patched FM proporciona una solución robusta, escalable y eficiente en datos para la reconstrucción de la presión en la pared que supera los cuellos de botella de "tamaño de dominio" y "número de Reynolds" de la modelización generativa tradicional.

• Validez Física: El trabajo establece que el escalamiento interno no es simplemente una conveniencia de normalización, sino un prerrequisito físico, ya que alinea la capacidad de representación del modelo con la naturaleza universal de las estadísticas de alto número de onda de la presión en la pared.
• Necesidad Probabilística: Los autores argumentan que un marco generativo probabilístico es esencial para este problema para capturar el carácter estocástico de la turbulencia y la no unicidad inherente a la inversión dispersa, que los modelos deterministas suprimen.
• Utilidad Práctica: Al desacoplar el prior generativo del tamaño del dominio en el tiempo de inferencia y permitir el aprendizaje de transferencia jerárquica, el método hace que la reconstrucción de alta fidelidad de flujos turbulentos de gran escala sea factible incluso cuando los datos de DNS de alto número de Reynolds son escasos o no están disponibles para el entrenamiento.