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

Stel je voor dat je probeert te voorspellen hoe een druppel inkt door een glas water kolkt. Wetenschappers hebben twee belangrijke manieren om dit te observeren. De eerste manier, de Euleriaanse visie, is als het staan op de oever van een rivier en kijken hoe het water langs een vaste reeks rotsen stroomt. Je meet de snelheid en richting van het water precies bij die rotsen, keer op keer. Het is geweldig om het grote plaatje van de stroming te zien, maar het vertelt je niet precies waar een specifief blad dat op het water drijft, naartoe zal gaan. De tweede manier, de Lagrangiaanse visie, is alsof je een camera aan dat blad vastmaakt. Je volgt de exacte reis van het blad en kijkt hoe het draait, wervelt en wordt meegesleurd. Dit is perfect om bij te houden waar dingen naartoe gaan, maar het is veel moeilijker om op deze manier gegevens te verzamelen, omdat je duizenden individuele bladeren tegelijkertijd moet volgen.

Lama een tijd lang waren computermodellen die leren van data experts in de "staand op de oever" (Euleriaanse) stijl. Ze worden getraind op rasters van vaste punten, zoals een schaakbord, om te voorspellen hoe het water over het bord beweegt. Maar hier komt het lastige deel bij: we moeten vaak weten waar de bladeren (deeltjes) naartoe gaan, niet alleen hoe het water bij de rotsen beweegt. Meestal hebben we een enorme hoeveelheid data nodig die precies laat zien waar elk blad naartoe is gegaan om een computer te leren de bladeren te volgen. Maar die data is zeldzaam en moeilijk te verkrijgen. Dit creëert een frustrerende kloof: we hebben geweldige modellen voor het waterrooster, maar ze worstelen met het voorspellen waar de drijvende deeltjes terechtkomen zonder dat daarvoor speciale, moeilijk te vinden trainingsdata nodig is.

Hier komt een nieuwe studie van Meng Li en hun team om de hoek kijken. Zij stelden een gedurfde vraag: Kunnen we een model leren om de stroming van het water te voorspellen met alleen de gemakkelijke "vaste raster"-data, en kan datzelfde model vervolgens direct uitrekenen waar de drijvende deeltjes naartoe gaan, zonder dat het tijdens de training ooit een enkel deeltjestraject heeft gezien?

Het antwoord, zo ontdekten zij, is ja. Ze bouwden een nieuw AI-systeem genaamd de Transferable Latent Operator (TLO). Denk aan TLO als een meesterkok die leert om een complexe soep te koken door deze te proeven met een vaste set lepels die rond de pan zijn geplaatst (het Euleriaanse rooster). Normaal gesproken, als je zou willen weten hoe een specifieke sliert noedels door die soep beweegt, heb je een apart model nodig dat getraind is op het volgen van noedels. Maar TLO is bijzonder. Het leert het "geheime recept" van de stroming van de soep op een verborgen, abstracte manier die niet geeft om de locatie van de lepels.

Zodra de chef het recept heeft geleerd, kan hij twee dingen doen met dezelfde kennis. Ten eerste kan hij je vertellen hoe de soep smaakt op elke van de oorspronkelijke lepellocaties (het voorspellen van het vaste rooster). Ten tweede, en dit is de magische truc, kan hij zich een noedel voorstellen die ergens door de soep drijft—zelfs op een plek waar nooit een lepel is geplaatst—en kan hij je precies vertellen hoe snel en in welke richting die noedel op dit moment beweegt. Omdat het model de stroming zelf begrijpt, en niet alleen het rooster, kan het de noedel stap voor stap volgen door de positie telkens bij te werken, zonder dat het vooraf geleerd hoeft te worden hoe het deeltjes moet volgen.

De onderzoekers testten dit idee op vijf verschillende uitdagingen binnen de vloeistofdynamica, variërend van gesimuleerde deeltjessystemen tot echte oceaanstroomgegevens. Ze ontdekten dat TLO de waterstroom op het rooster niet alleen beter voorspelde dan bestaande modellen, maar ook consistent beter presteerde bij het voorspellen van de paden van drijvende deeltjes op een "zero-shot" manier. Dit betekent dat het een sterke prestatie leverde bij de taak van deeltjesvolging, zelfs omdat het tijdens de training nog nooit een enkel deeltjespad had gezien. De onderzoekers merkten echter ook een cruciale nuance op: omdat het model de snelheid bij elke stap voorspelt, kunnen kleine fouten in snelheid of richting zich over de tijd opstapelen, waardoor het voorspelde pad langzaam afwijkt van het werkelijke pad. Daarom is het model weliswaar zeer effectief, maar garandeert het geen perfect, foutloos traject, wat de reden is dat de studie zorgvuldig zowel de snelheid nauwkeurigheid als de resulterende padfouten rapporteert. Desondanks suggereren de resultaten dat deze aanpak een krachtig nieuw instrument kan zijn voor het begrijpen van hoe dingen door vloeistoffen bewegen, van vervuiling die zich in de oceaan verspreidt tot rook die door de lucht drijft, gebruikmakend van data die veel gemakkelijker te verzamelen is.