From Fixed Grids to Moving Particles:A Transferable Latent Operator for Fluid Dynamics

Immagina di cercare di prevedere come una goccia d'inchiostro si mescoli in un bicchiere d'acqua. Gli scienziati hanno due modi principali per osservare questo fenomeno. Il primo modo, chiamato visione Euleriana, è come stare sulla riva di un fiume e guardare l'acqua che scorre accanto a un insieme fisso di rocce. Misuri la velocità e la direzione dell'acqua proprio in corrispondenza di quelle rocce, ripetutamente. È ottimo per vedere il quadro generale della corrente, ma non ti dice esattamente dove finirà una specifica foglia che galleggia in superficie. Il secondo modo, la visione Lagrangiana, è come fissare una telecamera a quella foglia. Segui il viaggio esatto della foglia, guardandola torcersi, girare e farsi trascinare via. Questo è perfetto per tracciare dove vanno le cose, ma è molto più difficile raccogliere dati in questo modo perché devi tracciare migliai di foglie individuali contemporaneamente.

Per molto tempo, i modelli informatici che apprendono dai dati sono stati esperti nello stile "stare sulla riva" (Euleriano). Sono addestrati su griglie di punti fissi, come una scacchiera, per prevedere come si muove l'acqua attraverso la scacchiera. Ma ecco la parte complicata: spesso abbiamo bisogno di sapere dove vanno le foglie (le particelle), non solo come si muove l'acqua alle rocce. Di solito, per insegnare a un computer come tracciare le foglie, abbiamo bisogno di una quantità enorme di dati che mostrino esattamente dove è andata ogni singola foglia. Ma quei dati sono rari e costosi da ottenere. Questo crea un divario frustrante: abbiamo ottimi modelli per la griglia dell'acqua, ma faticano a dirci dove finiranno le particelle galleggianti senza aver bisogno di dati di addestramento speciali e difficili da trovare.

È qui che entra in gioco un nuovo studio di Meng Li e del suo team. Si sono posti una domanda audace: Possiamo insegnare a un modello a prevedere il flusso dell'acqua usando solo i facili dati della "griglia fissa", e poi far sì che lo stesso modello capisca istantaneamente dove andranno le particelle galleggianti, senza mai mostrargli una singola traiettoria di particelle durante l'addestramento?

La risposta, hanno scoperto, è sì. Hanno costruito un nuovo sistema di IA chiamato Transferable Latent Operator (TLO). Pensa a TLO come a uno chef maestro che impara a cucinare una zuppa complessa assaggiandola da un set fisso di cucchiai posizionati intorno alla pentola (la griglia Euleriana). Di solito, se volessi sapere come si muove un singolo spaghetto nella zuppa, avresti bisogno di un modello separato addestrato sui dati di tracciamento degli spaghetti. Ma TLO è speciale. Impara la "ricetta segreta" del flusso della zuppa in un modo astratto e nascosto che non si cura di dove siano posizionati i cucchiai.

Una volta che lo chef ha imparato la ricetta, può fare due cose con la stessa conoscenza. Primo, può dirti che sapore ha la zuppa in qualsiasi punto dei cucchiai originali (prevedere la griglia fissa). Secondo, ed ecco il trucco magico, può immaginare uno spaghetto che galleggia ovunque — anche in un punto dove non è mai stato posizionato alcun cucchiaio — e dirti esattamente quanto velocemente e in quale direzione si sta muovendo in questo momento. Perché il modello comprende il flusso in sé, non solo la griglia, può seguire lo spaghetto passo dopo passo, aggiornando la sua posizione man mano che procede, il tutto senza essere stato insegnato preventivamente come tracciare gli spaghetti.

I ricercatori hanno testato questa idea su cinque diverse sfide di fluidodinamica, che spaziano da sistemi di particelle simulati a dati reali delle correnti oceaniche. Hanno scoperto che TLO non solo predice il flusso dell'acqua sulla griglia meglio dei modelli esistenti, ma supera costantemente altri metodi nella previsione dei percorsi delle particelle galleggianti in modo "zero-shot". Ciò significa che ha ottenuto una prestazione forte nel compito di tracciamento delle particelle anche se non aveva mai visto un singolo percorso di particella durante il suo addestramento. Tuttavia, i ricercatori hanno anche notato una sfumatura cruciale: poiché il modello predice la velocità ad ogni passaggio, piccoli errori di velocità o direzione possono accumularsi nel tempo, facendo sì che il percorso previsto si discosti lentamente dal percorso reale. Pertanto, sebbene il modello sia altamente efficace, non garantisce una traiettoria perfetta e priva di errori, motivo per cui lo studio riporta attentamente sia l'accuratezza della velocità che gli errori di percorso risultanti. Nonostante ciò, i risultati suggeriscono che questo approccio potrebbe essere un potente nuovo strumento per comprendere come le cose si muovono attraverso i fluidi, dall'inquinamento che si diffonde negli oceani al fumo che fluttua nell'aria, utilizzando dati che sono molto più facili da raccogliere.