A Fourier Neural Operator for Accelerated Discretization-Invariant Solutions of the Radiative Transfer Equation
本文提出了一种傅里叶神经算子（FNO）代理模型，该模型通过学习底层解算子而非简单的图像到图像映射，在提供参与介质中热通量精确且具有离散不变性预测的同时，实现了相比蒙特卡洛模拟高达 26 倍的计算加速。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
热辐射是穿梭于空间中的无形热量，将能量从炽热的火焰传递到冰冷的墙壁，或从太阳传递到地球。在许多复杂的环境中，例如喷气发动机内部旋转的气体或大气中厚重的云层，这种热量并非沿直线传播。相反，它会与粒子发生碰撞、被吸收，并以一种混沌的能量之舞进行重新发射。为了预测热量的移动方式，科学家们依赖于一个被称为“辐射传输方程”的复杂数学法则。这一法则虽是理解高科技系统中热管理问题的金标准，但其求解过程极其困难。由于热量的分布取决于它所处的位置、它的去向以及它的颜色，计算量变得异常庞大，甚至连最快的超级计算机也难以快速运行这些计算。这一瓶颈减缓了从更清洁的发动机到更优气候模型等各类产品的设计进程，迫使工程师们要么等待过长的反馈时间，要么使用会遗漏精细细节的粗略近似法。
美国海军学院的一位研究人员发现了一种利用新型人工智能绕过这一计算壁垒的方法。他们并没有试图在每种新场景出现时都去求解沉重的数学题，而是训练了一台机器去学习热量移动的底层模式。他们利用一种称为“蒙特卡洛模拟”的方法创建了一个庞大的示例库，该方法通过追踪数百万个微小的光子包在充满各种材料的虚拟房间中跳跃来模拟过程。在这些模拟中，研究人员随机改变了热源的形状、墙壁的温度以及空气的透明度，生成了数千种独特的场景。随后，他们将这些数据输入到一个名为“傅里叶神经算子”的专门神经网络中。与仅仅匹配图像的普通图像识别程序不同，这个网络学习了连接房间条件与最终热图之间的基本规则。它学会了将解视为一种连续的流动，而非固定的像素网格。
训练结果令人瞩目。一旦网络掌握了这种模式，它几乎可以瞬间预测出新场景下的热分布。当研究人员将这种新型人工智能模型与传统的模拟方法进行速度对比时，他们发现人工智能的速度快了高达二十六倍，同时保持了同等的准确度。这种提速不仅仅是为了方便；它意味着原本需要数小时才能解决的问题，现在可以在几秒钟内得到处理，从而为快速设计优化和实时分析打开了大门。或许更重要的一点是，该模型表现出了惊人的灵活性。通常情况下，针对特定网格尺寸（如 64x64 像素地图）训练的计算机程序，在面对更细或更粗的网格时会失效。然而，这个新模型在各种尺寸的网格上都能完美运行，从粗糙的 32x32 地图到极其精细的 512x512 地图，且无需重新训练。因为它学习的是热流本身的物理特性，而不仅仅是训练图像的分辨率。
研究人员还仔细观察了预测的质量，以了解机器究竟在做什么。传统的模拟方法虽然准确，但由于依赖随机采样，往往会产生颗粒感和噪声，就像旧电视屏幕上的雪花点一样。然而，这种新型人工智能模型却起到了强大的过滤器作用。它成功地忽略了训练数据中固有的随机高频噪声，转而关注平滑且具有物理意义的热流模式。这使得即使在训练数据存在一定噪声的情况下，它也能产生清晰、纯净的预测结果。该模型唯一感到吃力的地方在于锐利的边缘，例如热量发生突变的固体物体边界。在这些特定位置，模型会对细节进行轻微的平滑处理，考虑到其带来的巨大速度和灵活性增益，这种权衡是可以接受的。
这项工作为解决热物理学中最难的问题指明了一条新路径。通过教机器去理解“算子”（即把输入转化为输出的规则），而非仅仅记忆特定的案例，研究人员创造了一个能够在不同形状、材料和分辨率之间良好泛化的工具。该模型并非能瞬间解决所有问题的魔杖，而是一个稳健且高效的替代模型，能够处理辐射热传输中的繁重计算任务。对于设计燃烧系统或研究大气加热的工程师而言，这意味着他们现在可以在过去运行一次模拟所需的时间内，运行数千次模拟，从而能够探索更广泛的可能性，并更快地得出更优的解决方案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。