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

Résumé Technique : Flow Matching Patché pour la Reconstruction de la Pression Murale

Énoncé du Problème
La caractérisation du spectre complet de la pression murale dans les écoulements turbulents liés à une paroi est un défi fondamental en raison de la nature à large bande et multi-échelle du phénomène. Le spectre nécessite la résolution simultanée de deux régimes distincts : la dynamique près de la paroi à haute fréquence spatiale (hautes wavenumbers), d'échelle visqueuse, et les mouvements de grande échelle énergétiques dans la couche externe (basses wavenumbers). Les méthodes existantes échouent à capturer les deux simultanément :

• Simulation Numérique Directe (DNS) : Bien qu'exacte pour les échelles visqueuses, la capture du contenu de la couche externe à basses fréquences spatiales nécessite des domaines en direction de l'écoulement (streamwise) excessivement grands (échelonnés avec $O(10\delta)$) et des temps d'intégration longs, rendant les simulations à haut nombre de Reynolds computationnellement intraitables. Une DNS à domaine court préserve la précision près de la paroi mais tronque toutes les longueurs d'onde au-delà de la longueur de la boîte, manquant ainsi le contenu énergétique à basses fréquences spatiales.
• Capteurs Expérimentaux Dispersés : Des réseaux de transducteurs de pression peuvent couvrir de vastes étendues en direction de l'écoulement, capturant le contenu à basses fréquences spatiales. Cependant, l'espacement entre les capteurs est de plusieurs ordres de grandeur plus grossier que la longueur visqueuse, plaçant les structures à hautes fréquences spatiales sous la limite de Nyquist. De plus, les mesures sont convoluées avec les fonctions de transfert des dispositifs, ce qui rend la récupération multi-échelle difficile.

Les méthodes de reconstruction déterministes (par exemple, les réseaux de neurones convolutifs de super-résolution) sont insuffisantes car elles réduisent la stochasticité inhérente à la turbulence et la nature mal posée de l'inversion parcimonieuse à une estimation unique et floue, échouant à capturer les structures cohérentes à petite échelle ou l'incertitude.

Méthodologie : Patched Flow Matching (Patched FM)
Les auteurs proposent le Patched Flow Matching (Patched FM), un cadre génératif qui fusionne un a priori à haute fréquence spatiale issu d'une DNS à domaine court avec des mesures de capteurs parcimonieuses lors de l'inférence. Le cadre repose sur trois piliers techniques fondamentaux :

1. Flow Matching Additif par Patch pour l'Indépendance de Domaine :
   Au lieu de s'entraîner sur des champs à domaine complet, le modèle apprend un a priori local par patch sur les statistiques de la pression murale en échelles internes. Les auteurs dérivent une décomposition additive par patch du champ de vitesse du flow matching. En factorisant la densité à domaine complet comme un produit de densités de patchs et en appliquant l'identité score-to-velocity pour les interpolants linéaires, il est démontré que la vitesse de l'EDO (équation différentielle ordinaire) à domaine complet se décompose en une somme de contributions locales par patch indépendantes.

   • Mécanisme : Un réseau de neurones partagé $v_\theta$ traite des patchs de taille fixe. Lors de l'inférence, le domaine complet est pavé avec ces patchs (avec des origines randomisées pour éviter les artefacts de bord) et le champ de vitesse global est reconstruit par la somme des sorties des patchs. Cela découple l'a priori génératif de la taille du domaine global, permettant la reconstruction sur des domaines arbitrairement plus grands que la configuration d'entraînement.

2. L'Échelle Interne comme Prérequis Physique :
   L'a priori par patch est entraîné dans des coordonnées d'échelles internes ($x^+, z^+$), où les statistiques à hautes fréquences spatiales sont approximativement invariantes vis-à-vis du nombre de Reynolds. Ce choix de conception ancre les statistiques apprises aux échelles visqueuses, permettant au modèle de généraliser à travers différents nombres de Reynolds ($Re_\tau$) sans réentraînement complet. En revanche, les coordonnées d'échelles externes provoquent des variations significatives des statistiques à hautes fréquences spatiales avec $Re_\tau$, entravant le transfert.

3. Génération Conditionnelle Sans Entraînement :
   Pour reconstruire le spectre complet sur de longs domaines, le cadre utilise un échantillonnage de la distribution postérieure sans entraînement.

   • Contrainte de Capteur Parcimonieux : Un terme de vraisemblance impose la cohérence avec les mesures de capteurs parcimonieuses ($y_1$) distribuées sur le long domaine.
   • Autoregression Spatiale : Le long domaine est généré séquentiellement (autoregressivment) par sections. Une contrainte de bord ($y_2$) garantit que le bord gauche de la section actuelle correspond au bord droit de la section précédemment générée, propageant l'information de phase et d'amplitude pour les structures de grande échelle.
   • Guidage de Tweedie : L'EDO non conditionnelle est augmentée de corrections basées sur le gradient dérivées de l'estimateur de Tweedie, permettant au modèle de se conditionner sur des opérateurs d'observation arbitraires sans réentraîner l'a priori.

Contributions Clés

1. Reconstruction du Spectre Complet sur de Grands Domaines : Le cadre reconstruit avec succès des champs de pression murale sur des domaines quatre fois plus grands que la configuration d'entraînement ($L^L_x = 16\pi\delta$ contre $L^S_x = 4\pi\delta$) avec une couverture de capteurs aussi faible que 0,25 %. Il récupère le contenu spectral à basses fréquences spatiales inaccessible à la DNS à domaine court tout en maintenant des structures de petite échelle de haute fidélité.
2. Génération Indépendante de la Taille du Domaine : La dérivation du champ de vitesse additif par patch permet la génération inconditionnelle et la reconstruction conditionnée par capteur sur des domaines de taille arbitraire en utilisant un seul réseau partagé, le coût computationnel évoluant indépendamment de l'étendue totale du domaine.
3. Transfert de Nombre de Reynolds Efficace en Données : En exploitant l'échelle interne, le modèle supporte un apprentissage par transfert hiérarchique ($Re_\tau : 180 \to 500 \to 1000$). L'ajustement fin (fine-tuning) ne nécessite que 500 instantanés (2,5 % des données d'entraînement de base) par nombre de Reynolds cible, atteignant une réduction du coût d'entraînement allant jusqu'à 8 fois par rapport à un entraînement à partir de zéro. Le cadre démontre également une généralisation "zero-shot" à des nombres de Reynolds non vus.

Résultats
La méthode a été évaluée sur des DNS de flux de canal compressible à $Re_\tau = 180, 500$ et $1000$.

• Fidélité Spectrale : Patched FM récupère avec précision les spectres de wavenumbers en direction de l'écoulement (streamwise) et transversale (spanwise). Dans la reconstruction conditionnelle, il reproduit fidèlement l'énergie élevée à basses fréquences spatiales présente dans la DNS à long domaine mais absente des données d'entraînement à domaine court.
• Comparaison avec les Références (Baselines) :
  • Interpolation Cubique : Échoue à récupérer les structures multi-échelles, produisant des champs sévèrement lissés qui manquent de contenu à hautes fréquences spatiales.
  • Flow Matching Standard (Domaine Complet) : Entraîné sur des champs à résolution complète, ce modèle de référence présente des chutes spectrales et des artefacts de pavage lorsqu'il est extrapolé à des domaines plus grands, confirmant la nécessité de la décomposition additive par patch.
  • Modèles en Échelles Externes : Les modèles entraînés en coordonnées d'échelles externes ne transfèrent pas efficacement vers des nombres de Reynolds plus élevés, présentant des pics de perte et des déviations spectrales, validant la nécessité physique de l'échelle interne.
• Efficacité des Données : Le cadre maintient la qualité de génération avec seulement 10 instantanés d'entraînement au nombre de Reynolds cible, à condition d'être pré-entraîné dans les échelles internes.
• Généralisation Zero-Shot : Un modèle entraîné à $Re_\tau = 1000$ reconstruit avec succès des champs à $Re_\tau = 500$ sans ajustement fin, tandis qu'un modèle entraîné à $Re_\tau = 180$ montre un biais vers le bas dans les wavenumbers intermédiaires, soulignant les limites du transfert de bas en haut nombre de Reynolds sans adaptation.

Signification et Revendications
L'article affirme que Patched FM fournit une solution robuste, scalable et efficace en données pour la reconstruction de la pression murale, surmontant les goulots d'étranglement de la "taille de domaine" et du "nombre de Reynolds" des modèles génératifs traditionnels.

• Validité Physique : Ce travail établit que l'échelle interne n'est pas simplement une commodité de normalisation, mais un prérequis physique pour un transfert efficace du nombre de Reynolds, car elle aligne la capacité de représentation du modèle avec la nature universelle des statistiques de haute fréquence spatiale de la pression murale.
• Nécessité Probabiliste : Les auteurs soutiennent qu'un cadre génératif probabiliste est essentiel pour ce problème afin de capturer le caractère stochastique de la turbulence et la non-unicité inhérente à l'inversion parcimonieuse, que les modèles déterministes suppriment.
• Utilité Pratique : En découplant l'a priori génératif de la taille du domaine lors de l'inférence et en permettant un apprentissage par transfert hiérarchique, la méthode rend la reconstruction haute fidélité de flux turbulents à grande échelle réalisable, même lorsque les données de DNS à haut nombre de Reynolds sont rares ou indisponibles pour l'entraînement.