Technische Samenvatting: Drifting Modellen voor Surrogaatstromingsmodellering

Probleemstelling

Computational Fluid Dynamics (CFD) is de standaard voor het optimaliseren van binnenomgevingen en het waarborgen van de luchtkwaliteit, waarbij hoogwaardige stromingsvelden worden aangeboden. De hoge computationele kosten ervan verhinderen echter snelle ontwerpopverkenning en real-time controle. Hoewel datagestuurde surrogaatmodellen een oplossing bieden, kampen ze met een afruil: deterministische architecturen (bijv. FNO's, U-Nets) zijn snel maar falen vaak in het vastleggen van complexe, multimodale stromingsverdelingen, waarbij ze gladgestreken verwachtingen voorspellen. Daarentegen kunnen generatieve benaderingen zoals diffusiemodellen de fysieke complexiteit en onzekerheid vastleggen, maar lijden ze aan trage inferentie vanwege iteratieve denoising-processen die honderden neurale functie-evaluaties (NFE) vereisen.

Methodologie

De auteurs passen het generatieve drifting framework [11] aan voor de vloeistofmechanica om hoogwaardige, single-pass generatie te bereiken. In tegenstelling tot diffusie of flow matching, die iteratieve ruis-naar-data trajecten leren, evolueert een drifting model een pushforward distributie $q$ tijdens de training om de datadistributie $p$ te matchen via een drifting veld $V_{p,q}$.

Kernaanpassingen voor CFD

Om drifting toe te passen op indoor stromingsvoorspelling, hebben de auteurs drie cruciale modificaties geïntroduceerd:

1. Latent-Space Drifting via VAE:
   In plaats van te opereren op ruwe pixelruimte of gebruik te maken van vooraf getrainde beeldkenmerken, hebben de auteurs een convolutionele Variational Autoencoder (VAE) getraind op hun simulatiegegevens. Dit brengt $64 \times 64$ snelheidvelden in kaart naar een compacte $4 \times 4 \times 16$ latente representatie. Drifting vindt plaats binnen deze latente ruimte, wat de structurele integriteit behoudt terwijl suboptimale vooraf getrainde kenmerken worden vermeden.

2. Conditionele Architectuur:
   Het model is geconditioneerd op randvoorwaarden inclusief inlaat/uitlaat posities, kamergeometrie en inlaat-snelheidsmagnitude ($v_{in}$). Twee conditionele varianten werden onderzocht:

   • Label-gebaseerd: Behandelt inlaat/uitlaat als discrete identificatoren uit een vaste catalogus, die via een geleerde tabel worden ingebed. Dit is beperkt tot genummerde configuraties.
   • Ruimtelijk (Spatial): Vervangt identificatoren door een driekanaals binaire maskers die expliciet de locatie van inlaat, uitlaat en obstakels coderen. Deze variant beoogt te generaliseren naar ongeziene geometrieën.
     Beide varianten embedden de scalaire snelheid via een MLP en combineren dit met de geometrie-embedding om een Diffusion Transformer (DiT) backbone aan te sturen.

3. Label-bewuste Positieve Maskering:
   Om om te gaan met data-arme settings waarin batches gemengde condities bevatten, hebben de auteurs een binair compatibiliteitsmasker geïntroduceerd. Dit reguleert de attractie-kernel in het drifting veld, waardoor gegenereerde samples alleen drijven naar positieve samples met overeenkomende (inlaat, uitlaat, geometrie) triples. Dit voorkomt dat het model gemiddelden vormt over incompatibele stromingsregimes.

Baseline Vergelijking

De drifting modellen werden vergeleken met een Latent Diffusion Model (LDM) baseline [19, 20] die opereert in dezelfde latente ruimte. De LDM gebruikt een 1.000-staps cosine schema met cross-attention voor conditionering en DDIM sampling voor inferentie.

Experimentele Opzet

• Dataset: 2.025 stationaire 2D CFD-simulaties van incompressibele luchtstroom in een kamer van $1,5\text{m} \times 1,5\text{m}$, gegenereerd met Simcenter STAR-CCM+ (RANS $k$-$\epsilon$ model).
• Configuraties: Drie geometrische opstellingen (lege kamer, centraal obstakel, offset obstakel) met systematische variaties in inlaat/uitlaat posities (15 elk) en inlaat-snelheden (0,1, 0,2, 0,3 m/s).
• Metrieken: Geëvalueerd op veldaccuratesse (nRMSE, $R^2$, Cosine Similarity) en stromingsstructuur-consistentie (Divergentie-gap, Vorticity-gap).

Resultaten

Kwantitatieve Prestaties

• Accuratesse: De diffusie-baseline behaalde de hoogste accuratesse (nRMSE: 0,059). Het label-gebaseerde drifting model volgde nauw (nRMSE: 0,068), wat competitieve accuratesse demonstreert in één enkele stap. De ruimtelijke (spatial) drifting variant vertoonde lagere getrouwheid (nRMSE: 0,108) en hogere variantie, met name bij het vastleggen van magnitude, hoewel het dominante stromingsrichtingen wist te herstellen.
• Stromingsstructuur: Het label-gebaseerde drifting model behield een competitieve stromingsstructuur-consistentie, met divergentie- en vorticiteit-gaps die vergelijkbaar zijn met de diffusie-baseline. De ruimtelijke variant vertoonde systematische overschatting van rotationele structuren.
• Inferentie Snelheid: Het drifting model is twee orde grootheden sneller dan de diffusie-baseline. Op een NVIDIA A100 bereikte het drifting model een latentie van 6,74 ms (1 NFE) vergeleken met 1870,2 ms (1000 NFE) voor het diffusie model.

Kwalitatieve Observaties

• In scenario's met een lege kamer slaagde het label-gebaseerde drifting model erin de primaire stromingstopologieën te herstellen, inclusief jets en hoekrecirculatiezones, met foutdistributies vergelijkbaar met de diffusie-baseline.
• In scenario's met obstakels legde de spatial-conditioning variant de essentiële topologie vast (stromingssplitsing, grensafscheiding), maar worstelde het met de snelheidsschaalverdeling, wat leidde tot gelokaliseerde overschattingen.

Significantie en Claims

Het artikel stelt dat conditionele drifting dient als een zeer efficiënt alternatief voor diffusie-gebaseerde benaderingen voor surrogaatstromingsmodellering. De primaire significantie ligt in het ontsluiten van real-time CFD-surrogaten waar inferentiesnelheid cruciaal is, zonder de iteratieve computationele last van diffusie.

• Efficiëntie: Het model bereikt NFE=1, wat de inferentietijd met ~280x vermindert ten opzichte van een 1000-staps diffusie baseline, terwijl het een competitieve accuratesse behoudt.
• Generaliteit: Hoewel de huidige label-gebaseerde implementatie beperkt is tot genummerde configuraties, stellen de auteurs de spatial-conditioning variant voor als een veelbelovende weg naar generalisatie naar ongeziene geometrieën, ondanks de huidige prestatiekloof.
• Framework: Dit werk vestigt een herbruikbaar framework voor wetenschappelijke computatiesurrogaten, waarbij latent-space drifting, spatial-scalar conditioning en label-bewuste maskering worden gecombineerd.

De auteurs concluderen dat hoewel diffusie iets nauwkeuriger blijft, de smalle prestatiekloof in combinatie met het enorme snelheidsvoordeel single-step drifting een levensvatbare oplossing maakt voor kostenbeperkte toepassingen. Toekomstig werk is gericht op het dichten van de accuratesse-kloof voor spatial conditioning en het uitbreiden van het model naar transiënte 3D-regimes.