CoFINN: Conservation Flux Informed Neural Networks for Physics Problems Governed by Conservation Laws

技术摘要：CoFINN（守恒通量启发神经网络）

问题陈述
传统的流体流动预测机器学习方法，特别是卷积神经网络（CNN），其本质是优化像素级相似性指标的数据驱动近似器。虽然这些模型相比高保真计算流体力学（CFD）具有显著的计算加速优势，但它们缺乏对内在物理定律的感知。在涉及可压缩流体的空气动力学应用中，这一局限性至关重要。纯数据驱动的模型往往无法强制执行严格的质量、动量和能量守恒，导致物理不一致的预测。这在存在强物理相互作用（如激波和边界层）的区域尤为严重，因为微小的空间误差可能会导致导出的工程量（如升力和阻力）产生巨大的误差。此外，标准的 CNN 本身并不具备由纳维-斯托克斯方程（Navier-Stokes equations）和状态方程所规定的变量（压力、密度、速度、能量）之间的物理耦合特性。

方法论：CoFINN 框架
作者提出了 CoFINN（守恒通量启发神经网络），这是一个将有限体积守恒物理学直接嵌入训练过程的物理启发深度学习框架。与通过自动微分在配置点处强制执行微分方程残差的经典物理信息神经网络（PINNs）不同，CoFINN 采用了与现代 CFD 方法一致的有限体积视角。

关键方法论组成部分包括：

• 图像即网格解释： 将 CNN 输出场解释为结构化计算网格，其中每个像素代表一个有限体积单元。
• 基于通量的守恒： 通过在单元界面进行复杂的数值通量计算来强制执行守恒一致性。该框架利用了高保真 CFD 中使用的鲁棒近似黎曼求解器——Harten-Lax-van Leer Contact (HLLC) 求解器，来计算相邻像素之间的对流通量。
• 损失函数公式化： 训练目标结合了标准的数据驱动损失（预测原始变量与真实值之间的平均绝对误差）和物理启发损失。物理损失通过比较预测的通量总和与预计算的“地面真值通量残差”（$F_{GT}$，该残差考虑了粘性项和内部源项）与来自高保真 CFD 数据的地面真值通量，来最小化动量守恒误差。
  • $L_{total} = (1 - \lambda) \times L_{data} + \lambda \times L_{flux}$
  • 此处，$L_{flux}$ 通过比较预测的通量总和与考虑了粘性项和内部源项的预计算“地面真值通量残差” ($F_{GT}$)，来衡量动量守恒误差。
• 架构无关性： 该方法被设计为与架构无关，并通过将其应用于四种不同的网络家族进行了验证：CNNFoil（编码器-解码器 CNN）、傅里叶神经算子（FNO）、视觉 Transformer（ViT）以及条件去噪扩散模型。

核心贡献

1. 有限体积集成： 本文引入了一种新颖的物理启发学习方法，将 CNN 输出视为有限体积单元，弥合了数据驱动图像处理与严谨数值 CFD 方法之间的鸿沟。
2. 守恒感知训练： 通过在损失函数中使用 HLLC 通量方案，该模型被明确引导向满足离散守恒行为的物理上可容许解，而非仅仅学习几何相关性。
3. 改进的力预测： 研究表明，引入守恒通量可以显著提高空气动力（升力和阻力）的预测精度，这些是源自流场的积分量，即使在像素级变量误差与纯数据驱动基准模型相当的情况下也是如此。

结果
该框架在 $M = 0.7$ 且 $Re = 6 \times 10^6$ 的翼型跨声速流动条件下进行了评估，涵盖了从 $-10^\circ$ 到 $20^\circ$ 的攻角。

• 阻力预测精度： CoFINN 显著降低了阻力预测误差。对于 CNNFoil 架构，在极端攻角下，阻力误差 ($\epsilon_{CD}$) 最高减少了 34%，在整个测试集上的平均减少量约为 15%（与纯数据驱动基准相比）。
• 有限数据机制： 基于守恒的损失函数起到了有效的物理正则化作用，在有限数据机制（例如，仅在单一攻角上进行训练）中表现出特别显著的改进，其中阻力误差的减少幅度达到了 85%。
• 模型性能： 虽然 CNNFoil 架构在所有训练范围内表现出最一致的改进，但 FNO 和 ViT 在引入 CoFINN 后也展示了阻力误差的降低。然而，扩散模型表现出混合结果：在有限数据机制下有所改进，但在全数据机制下出现了退化。
• 物理一致性： 该方法成功纠正了基准模型在零升力附近（如 $\alpha = 0^\circ$）存在的严重阻力低估问题，恢复了匹配地面真值至小数点后三位的物理量级。

意义与主张
论文声称 CoFINN 成功地将神经网络从纯粹的图像处理系统转变为守恒感知的预测模型。其主要意义在于，在保持 CNN 代理模型计算效率优势的同时，显著提高了物理一致性和守恒行为。作者强调，这种方法并不会减少数据需求（因为它受 CFD 数据监督），而是重塑了损失函数景观，使其倾向于满足离散守恒定律的预测。这使得在涉及激波和高攻角等纯数据驱动模型往往难以捕捉正确变量物理耦合的场景中，能够获得更可靠、更可用的预测。该框架被认为可以推广到更广泛的受守恒定律支配的物理系统。