継続的なRANS乱流モデリングのためのオートエンコーダルーターを備えたProgressive Mixture-of-Experts

多様な流れ領域全体で精度を維持するReynolds平均Navier–Stokes（RANS）乱流モデルの開発は、長年の課題となっています。本研究では、RANS乱流モデリングにおける継続学習を可能にするために設計された、Progressive Mixture-of-Experts（PMoE）と呼ばれる新しいフレームワークを提案します。本フレームワークは、モジュール式のオートエンコーダベースのルーターを採用し、各流れのシナリオをエキスパートと呼ばれる特化した乱流モデルに関連付けます。新しい流れ領域が既存のルーターおよびエキスパートセットで適切に表現できない場合、以前に訓練されたモデルを変更または劣化させることなく、新しいエキスパートをそのルーティングコンポーネントとともに低コストで導入できるため、破滅的忘却を自然に回避できます。本フレームワークは、翼型後流、チャネル流、周期性ヒル、正方形ダクト流など、明確な物理的特徴を持つさまざまな流れに適用されます。得られたPMoEモデルは複数のエキスパートを効果的に統合し、動作条件や構成が異なる既知および未知のテストケースの両方で予測精度の向上を達成します。スパースアクティベーションにより、推論時にモデル拡張による追加の計算コストが発生することはありません。したがって、提案されたフレームワークは、産業用数値流体力学における生涯学習乱流モデルに向けたスケーラブルな道筋を提供します。