一种物理信息驱动的扩散模型用于高保真流场重建

机器学习模型在流体动力学领域越来越受到欢迎，因为它们能够加速高保真计算流体动力学数据的产生。然而，最近提出的许多高保真数据重建的机器学习模型需要低保真数据进行模型训练。这种要求限制了这些模型的应用性能，因为如果在模型测试中使用的低保真输入数据与训练数据偏差较大，其数据重建准确性将显著下降。为了克服这一限制，我们提出了一种仅在训练时使用高保真数据的扩散模型。通过不同的配置，我们的模型能够从常规的低保真样本或随机测量样本中重建高保真数据，并且在可用时能够利用已知偏微分方程的物理信息条件，提高准确性。实验结果表明，我们的模型可以在不同输入源的基础上产生准确的重建结果，而无需重新训练。