Sintesi Tecnica: Modelli di Drifting per la Modellazione di Flussi Surrogate

Definizione del Problema

La fluidodinamica computazionale (CFD) è lo standard per l'ottimizzazione degli ambienti interni e la garanzia della qualità dell'aria, offrendo campi di flusso ad alta fedeltà. Tuttavia, il suo elevato costo computazionale impedisce un'esplorazione rapida del design e un controllo in tempo reale. Sebbene i modelli surrogate basati sui dati offrano una soluzione, essi affrontano un compromesso: le architetture deterministiche (ad es., FNO, U-Net) sono veloci ma spesso non riescono a catturare distribuzioni di flusso complesse e multimodali, prevedendo aspettative smussate. Al contrario, gli approcci generativi come i modelli di diffusione catturano la complessità fisica e l'incertezza, ma soffrono di una lenta inferenza a causa dei processi di denoising iterativi che richiedono centinaia di valutazioni di funzioni neurali (NFE).

Metodologia

Gli autori adattano il framework di drifting generativo [11] alla meccanica dei fluidi per ottenere una generazione di alta qualità in un singolo passaggio. A differenza della diffusione o del flow matching, che apprendono traiettorie iterative da rumore a dati, i modelli di drifting evolvono una distribuzione pushforward $q$ durante l'addestramento per corrispondere alla distribuzione dei dati $p$ tramite un campo di drifting $V_{p,q}$.

Adattamenti Core per la CFD

Per applicare il drifting alla previsione del flusso indoor, gli autori hanno introdotto tre modifiche critiche:

1. Drifting nello Spazio Latente tramite VAE:
   Invece di operare sullo spazio dei pixel grezzi o utilizzare feature di immagini pre-addestrate, gli autori hanno addestrato un Variational Autoencoder (VAE) convoluzionale sui loro dati di simulazione. Questo mappa i campi di velocità $64 \times 64$ in una rappresentazione latente compatta di $4 \times 4 \times 16$. Il drifting avviene all'interno di questo spazio latente, preservando l'integrità strutturale ed evitando feature pre-addestrate subottimali.

2. Architettura Condizionale:
   Il modello è condizionato dalle condizioni al contorno, inclusi i posizioni di ingresso/uscita, la geometria della stanza e l'entità della velocità di ingresso ($v_{in}$). Sono state investigate due varianti condizionali:

   • Basata su Etichette (Label-based): Tratta l'ingresso/uscita come identificatori discreti da un catalogo fisso, incorporandoli tramite una tabella appresa. Questo è limitato a configurazioni enumerate.
   • Spaziale (Spatial): Sostituisce gli identificatori con una maschera binaria a tre canali che codifica esplicitamente le posizioni di ingresso, uscita e ostacoli. Questa variante mira a generalizzare a geometrie non viste.
     Entrambe le varianti incorporano la velocità scalare tramite un MLP e la combinano con l'embedding geometrico per guidare un backbone Diffusion Transformer (DiT).

3. Mascheramento Positivo Consapevole delle Etichette (Label-Aware Positive Masking):
   Per gestire scenari con scarsità di dati in cui i batch contengono condizioni miste, gli autori hanno introdotto una maschera di compatibilità binaria. Questa maschera controlla il kernel di attrazione nel campo di drifting, assicurando che i campioni generati scorrano solo verso campioni positivi con triple corrispondenti di (ingresso, uscita, geometria). Ciò evita che il modello medi tra regimi di flusso incompatibili.

Confronto con i Baseline

I modelli di drifting sono stati confrontati con un baseline di Latent Diffusion Model (LDM) [19, 20] operante nello stesso spazio latente. L'LDM utilizza uno schema di coseno a 1.000 passi con cross-attention per il condizionamento e campionamento DDIM per l'inferenza.

Setup Sperimentale

• Dataset: 2.025 simulazioni CFD stazionarie 2D di flusso d'aria incomprimibile in una stanza di $1.5\text{m} \times 1.5\text{m}$, generate utilizzando Simcenter STAR-CCM+ (modello RANS $k$-$\epsilon$).
• Configurazioni: Tre setup geometrici (stanza vuota, ostacolo centrale, ostacolo decentrato) con variazioni sistematiche nelle posizioni di ingresso/uscita (15 ciascuna) e velocità di ingresso (0.1, 0.2, 0.3 m/s).
• Metriche: Valutate sulla precisione del campo (nRMSE, $R^2$, Similarità del Coseno) e sulla coerenza della struttura del flusso (Gap di divergenza, Gap di vorticità).

Risultati

Prestazioni Quantitative

• Accuratezza: Il baseline di diffusione ha raggiunto l'accuratezza più elevata (nRMSE: 0.059). Il modello di drifting basato su etichette è seguito da vicino (nRMSE: 0.068), dimostrando un'accuratezza competitiva in un singolo step. La variante di drifting spaziale ha mostrato una fedeltà inferiore (nRMSE: 0.108) e una maggiore varianza, in particolare nel catturare l'entità, sebbene abbia recuperato le direzioni dominanti del flusso.
• Struttura del Flusso: Il modello di drifting basato su etichette ha mantenuto una coerenza della struttura del flusso competitiva, con gap di divergenza e vorticità comparabili al baseline di diffusione. La variante spaziale ha mostrato una sovra-predizione sistematica delle strutture rotazionali.
• Velocità di Inferenza: Il modello di drifting è due ordini di grandezza più veloce del baseline di diffusione. Su una NVIDIA A100, il modello di drifting ha ottenuto una latenza di 6.74 ms (1 NFE) rispetto a 1870.2 ms (1000 NFE) per il modello di diffusione.

Osservazioni Qualitative

• Negli scenari di stanza vuota, il modello di drifting basato su etichette ha recuperato con successo le topologie di flusso primarie, inclusi i getti e le zone di ricircolo d'angolo, con distribuzioni di errore comparabili al baseline di diffusione.
• Negli scenari con ostacoli, la variante con condizionamento spaziale ha catturato la topologia essenziale (divisione del flusso, separazione del confine) ma ha avuto difficoltà con la scala di velocità, produre sovra-predizioni localizzate.

Significato e Rivendicazioni

Il paper sostiene che il drifting condizionale funga da alternativa altamente efficiente agli approcci basati sulla diffusione per la modellazione di flussi surrogate. Il significato primario risiede nel rendere accessibili i surrogate CFD in tempo reale dove la velocità di inferenza è critica, senza l'onere computazionale iterativo della diffusione.

• Efficienza: Il modello raggiunge NFE=1, riducendo il tempo di inferenza di circa ~280x rispetto a un baseline di diffusione a 1000 passi, mantenendo un'accuratezza competitiva.
• Generalità: Sebbene l'attuale implementazione basata su etichette sia limitata a configurazioni enumerate, gli autori propongono la variante con condizionamento spaziale come una strada promettente verso la generalizzazione a geometrie non viste, nonostante gli attuali gap di prestazione.
• Framework: Il lavoro stabilisce un framework riutilizzabile per i surrogate della computazione scientifica, combinando drifting nello spazio latente, condizionamento spaziale-scalare e mascheramento consapevole delle etichette.

Gli autori concludono che, sebbene la diffusione rimanga leggermente più accurata, il ridotto divario di prestazioni unito al massiccio vantaggio di velocità rende il drifting a singolo step una soluzione valida per applicazioni con vincoli di costo. Il lavoro futuro è diretto verso la chiusura del gap di accuratezza per il condizionamento spaziale e l'estensione del modello a regimi 3D transitori.