Flow Gym: A framework for the development, benchmarking, training, and deployment of flow-field quantification methods

Flow Gym is een JAX-gebaseerd framework dat de ontwikkeling, benchmarking, training en implementatie van PIV- en optische-stroommethoden voor stromingsveldkwantificering stroomlijnt door een gestandaardiseerde interface te bieden die de reproduceerbaarheid verbetert en de overgang van onderzoek naar experimentele toepassingen vergemakkelijkt.

De kern

Stel je voor dat je een heel drukke stad wilt bestuderen, maar in plaats van auto's en fietsers, zie je alleen duizenden kleine lichtjes die door de lucht zweven. Je wilt precies weten hoe snel ze gaan, welke kant ze opgaan en hoe ze met elkaar bewegen. In de wetenschap noemen we dit stroomveld-kwantificering (flow-field quantification). Vaak gebruiken wetenschappers hiervoor een techniek genaamd PIV (Particle Image Velocimetry), waarbij ze foto's maken van deze deeltjes en proberen de beweging te berekenen.

Het probleem is dat tot nu toe elke wetenschapper zijn eigen "rekenmachine" heeft gebouwd. Sommigen gebruiken een oude, vertrouwde methode, anderen een nieuwe, slimme kunstmatige intelligentie. Maar deze machines spreken geen dezelfde taal, hebben verschillende knoppen en werken niet goed samen. Het is alsof elke kok in de wereld zijn eigen receptboek heeft, maar niemand kan het recept van de ander lezen om te zien wie de beste taart bakt.

Flow Gym is de oplossing voor dit gedoe. Het is een nieuw, alles-in-één platform dat wetenschappers helpt om deze bewegingen beter te meten, te vergelijken en te gebruiken.

Hier is hoe Flow Gym werkt, vertaald in alledaagse termen:

1. De Universele Adapter (De Standaard Interface)

Stel je voor dat je een verzameling verschillende elektrische apparaten hebt: een Amerikaanse haardroger, een Britse föhn en een Duitse mixer. Ze hebben allemaal verschillende stekkers. Flow Gym is als een universele adapter. Het zorgt ervoor dat elke methode (of het nu een oude, klassieke berekening is of een moderne AI) in dezelfde stopcontact past.

• Wat het doet: Het zorgt dat je elke methode kunt testen, vergelijken en gebruiken zonder je hoofd te breken over technische details. Je kunt een oude methode en een nieuwe AI-methode naast elkaar zetten en eerlijk zien welke sneller en nauwkeuriger is.

2. De Slimme Werkbank (JAX en Hardware)

In het verleden moesten wetenschappers vaak wachten tot hun computer klaar was met rekenen, alsof je in een lange rij stond bij de supermarkt. Flow Gym is gebouwd op een technologie genaamd JAX.

• De Analogie: Stel je voor dat je eerder met de hand moest schroeven, maar Flow Gym geeft je een elektrische boormachine met een batterij die nooit leeg raakt. Het gebruikt de kracht van speciale computerchips (GPU's) om berekeningen razendsnel te doen. Hierdoor kunnen wetenschappers veel meer proberen in minder tijd.

3. De Kookboeken en Ingrediënten (Pre- en Post-processing)

Voordat je een gerecht kunt bereiden, moet je de groenten wassen en snijden (pre-processing). Na het koken moet je het misschien nog wat kruiden of serveren (post-processing).

• Flow Gym heeft een modulaire keuken. Je kunt kiezen welke ingrediënten je wilt gebruiken:
  • Was de groenten? (Verwijder ruis uit de foto's).
  • Snijd ze in blokjes? (Verander de helderheid).
  • Kruid het af? (Verwijder fouten in de berekende beweging).
    Elk onderdeel is een los blokje dat je zelf kunt kiezen of zelfs zelf kunt uitvinden.

4. De Simulator en de Realiteit (Training en Deployen)

Vaak trainen wetenschappers hun AI op virtuele data (zoals een videospelletje) voordat ze het in de echte wereld proberen.

• Flow Gym is als een simulator voor vliegen. Je kunt je vliegtuig (de AI) eerst laten vliegen in een virtuele wereld met perfecte weersomstandigheden. Zodra het vliegtuig goed genoeg is, kun je het direct overzetten naar een echte vliegtuigcabine.
• Het mooie is: het maakt niet uit of je met virtuele data of echte foto's uit een waterkanaal werkt. Flow Gym behandelt ze precies hetzelfde. Je kunt je "vliegtuig" dus testen in de simulator en daarna direct gebruiken om echte stromingen in een rivier of een windtunnel te meten.

Waarom is dit belangrijk?

Vroeger was het heel moeilijk om nieuwe ideeën te testen omdat je eerst al je software moest herschrijven om hem te laten werken. Met Flow Gym is het als het bouwen met LEGO. Je pakt een nieuw stukje (een nieuwe methode), klikt het op de basis (de standaard interface), en je kunt direct zien of het werkt.

Dit helpt wetenschappers om:

1. Sneller te innoveren: Ze hoeven niet langer tijd te verspillen aan het aanpassen van software.
2. Betrouwbare resultaten te krijgen: Omdat iedereen dezelfde regels volgt, kun je resultaten van verschillende labs eerlijk met elkaar vergelijken.
3. Van theorie naar praktijk: Methoden die in een laboratorium zijn bedacht, kunnen sneller worden gebruikt in de echte wereld, bijvoorbeeld om de stroming in een rivier te controleren of om vliegtuigen efficiënter te maken.

Kortom: Flow Gym is de gemeenschappelijke taal en het gereedschapskistje dat ervoor zorgt dat wetenschappers niet langer in hun eentje worstelen met hun eigen software, maar samen kunnen bouwen aan een betere toekomst voor de stromingsleer.

Technische samenvatting

Titel: Flow Gym: Een framework voor de ontwikkeling, benchmarking, training en implementatie van methoden voor kwantificering van stromingsvelden

1. Het Probleem

De kwantificering van vloeistofbeweging op basis van afbeeldingen van tracerdeeltjes (zoals bij Particle Image Velocimetry - PIV en optische stroming) is een centrale taak in de experimentele vloeistofmechanica. Hoewel er de afgelopen jaren veel methoden zijn ontwikkeld, variërend van klassieke benaderingen tot diep-lerende algoritmen, wordt de voortgang gehinderd door:

• Versnippering: Software-implementaties zijn verspreid over verschillende bibliotheken en programmeerframeworks.
• Inconsistentie: Er ontbreekt een uniforme interface, waardoor pre-processing, post-processing en evaluatieprotocollen per methode verschillen.
• Reproduceerbaarheid: Het is moeilijk om methoden eerlijk met elkaar te vergelijken of resultaten reproduceerbaar te maken.
• Implementatiekloof: De overgang van onderzoek naar praktische, real-time implementatie in experimentele opstellingen is vaak complex en tijdrovend.

2. Methodologie: Flow Gym Framework

Flow Gym is een unificerend softwareframework dat is ontworpen om deze uitdagingen aan te pakken. De kern van het framework is een gestandaardiseerde Estimator-interface die zowel klassieke als op leren gebaseerde methoden binnen dezelfde pijplijn integreert.

Kernarchitectuur:

• Stateless & Functioneel: Het framework is gebouwd op JAX, wat hardware-versnelde uitvoering (GPU/TPU) mogelijk maakt en zorgt voor zij-effectvrije (side-effect free) functionaliteit.
• De Estimator: Dit is de centrale abstractie. Een Estimator neemt als input een observatie (bijv. een PIV-afbeeldingspaar), de huidige staat van de estimator en een "trainable state" (leerbare parameters). Het retourneert een geschat stromingsveld en een bijgewerkte staat.
  • State: Bevat kortetermijninformatie (bijv. vorige schattingen voor recurrente methoden).
  • Trainable State: Bevat langetermijnparameters (bijv. modelgewichten voor neurale netwerken). Klassieke methoden gebruiken een lege container, maar delen dezelfde interface.
• Modulaire Pijplijn:
  • Pre-processing: Configurabele stappen zoals histogramgelijkmaking, high-pass filters (voor ongelijkmatige verlichting) en intensiteit-clippen.
  • Processing: De kernberekening (schatting).
  • Post-processing: Validatie (outlier-detectie), interpolatie van ontbrekende data en smoothing.

Implementatiestrategieën:

1. Native JAX: Algoritmen worden volledig herschreven in JAX voor maximale snelheid en compatibiliteit met jit en vmap (bijv. DIS, RAFT32-PIV).
2. Wrappers: Bestaande implementaties uit bibliotheken zoals OpenCV, OpenPIV of PyTorch worden ingepakt zodat ze binnen het Flow Gym-framework kunnen worden gebruikt en vergeleken.

Data en Training:

• Het framework is data-agnostisch. Het werkt met een gestandaardiseerde batch-interface (afbeeldingsparen + eventuele grondtruth).
• Voor training wordt gebruikgemaakt van SynthPix (een synthetische generator) of echte experimentele datasets.
• Het ondersteunt zowel supervised learning (met grondtruth) als unsupervised learning (gebaseerd op consistentie tussen afbeeldingen).
• Het biedt een FluidEnv voor sequentiële training op tijdsreeksen, wat essentieel is voor methoden die gebruikmaken van tijdsafhankelijke correlaties.

3. Belangrijkste Bijdragen

1. Gestandaardiseerde Interface: Een unificerend Estimator-protocol dat klassieke en deep-learning methoden op gelijke voet stelt, wat eerlijke vergelijkingen mogelijk maakt.
2. JAX-Native Implementaties: Herschrijving van toonaangevende PIV-methoden (zoals DIS en RAFT32-PIV) in JAX voor GPU-versnelling.
3. Interoperabiliteit: Mogelijkheid om externe bibliotheken (OpenCV, PyTorch) naadloos te integreren via wrappers.
4. Unified Workflow: Een enkele codebasis voor ontwikkeling, training, benchmarking en real-time implementatie, wat de kloof tussen onderzoek en toepassing verkleint.
5. Modulaire Pre/Post-processing: Flexibele configuratie van data-verwerkingstappen die onafhankelijk van het kernalgoritme kunnen worden aangepast.

4. Resultaten en Toepassingen

Hoewel het paper voornamelijk het framework introduceert, worden de volgende resultaten en toepassingen benoemd:

• Validatie van Outlier-detectie: Het paper toont aan dat verschillende validatiemethoden (zoals universele outlier-detectie op basis van de mediaan) effectief zijn in het verwijderen van ruis in geschatte stromingsvelden.
• Real-time Implementatie: Het framework is al succesvol ingezet voor real-time vloeistofcontrole in experimentele opstellingen met hardware in de lus (referentie [20]).
• Benchmarking: Het framework heeft gebruikt om nieuwe methoden te testen, zoals een op consensus-ADMM gebaseerde stromingsverfijning en neurale netwerken met harde beperkingen (hard-constrained neural networks).
• Compatibiliteit: Het ondersteunt zowel synthetische data (gegenereerd door SynthPix) als experimentele data uit waterkanalen en andere fysieke setups.

5. Betekenis en Impact

Flow Gym brengt de staat van de kunst in de stromingskwantificering op hetzelfde niveau van reproduceerbaarheid en standaardisatie als dat in aangrenzende velden zoals computer vision en reinforcement learning al bereikt is.

• Versnelling van Onderzoek: Het verlaagt de drempel voor het ontwikkelen van nieuwe algoritmen door de boilerplate-code voor data-handling en training te elimineren.
• Translatie naar Praktijk: Het faciliteert de overgang van theoretische modellen naar real-time, fysieke toepassingen (zoals actieve vloeistofcontrole).
• Toekomstperspectief: Het framework is ontworpen om uit te breiden naar volumetrische (3D) stromingskwantificering en directe koppeling met fysieke waterkanalen via internet-interfaces.

Kortom, Flow Gym fungeert als een cruciale infrastructuur die de fragmentatie in de PIV-gemeenschap oplost en een robuuste basis biedt voor de volgende generatie stromingsanalyse-algoritmen.