飞桨AI for Science流体超分FNO模型案例分享
内容提要
高分辨率CFD计算耗时长且数据存储需求大，限制了实际使用。低分辨率CFD计算耗时短且数据存储量小，但精度不足。利用机器学习方法提升低分辨率CFD精度，解决问题。飞桨FNO模型适合处理超分问题。飞桨AI for Science提供多种AI方法模型，支持科研和产业应用。飞桨PaddleScience工具组件是国内首个应用于CFD领域的工具。使用FNO模型训练好的模型可以快速将低分辨率CFD结果提升为高分辨率结果。飞桨AI for Science将提供更多技术支持。
延伸解读
FNO超分模型的独特优势
与常见的GAN和CNN超分方法不同，FNO模型具有分辨率无关性，能处理任意分辨率的输入。其结构在傅立叶卷积层后接入逆傅立叶变换层，将低分辨率空间域数据映射到高维频域学习，再投影回高分辨率空间域。这种设计使模型能直接学习频域特征，避免了传统方法对固定分辨率的依赖，为流体超分提供了新思路。
气泡上升案例的实践启示
文章以2D气泡上升为例，使用VOF算法生成低分辨率32x32和高分辨率128x128的CFD数据各1000张。训练FNO模型后，低分辨率数据生成每千张仅需12分钟，而高分辨率需60分钟，模型推理耗时极短，相当于将数据生成速度提升5倍。这展示了AI超分在减少计算和存储成本方面的实际潜力，尤其适合需要批量生成高分辨率数据的场景。
PaddleScience工具链的支持
飞桨AI for Science提供的PaddleScience工具组件是国内首个应用于CFD领域的AI框架工具，提供端到端API，支持自动微分、数据并行和混合精度计算等。它降低了AI与CFD结合的门槛，用户可在AI Studio上利用CPU/GPU算力快速实验。文章建议从少量数据开始训练，便于快速验证模型效果，为科研和产业应用提供了实用路径。
Q&A
高分辨率CFD计算有什么缺点？
高分辨率CFD计算十分耗时，且输出结果文件较大，一个瞬态的结果可以占用几百MB的存储空间。因此，批量化的高分辨率CFD计算，耗时更久，数据存储需求更大，限制了高分辨率CFD的实际使用。
低分辨率CFD计算有什么优缺点？
低分辨率的CFD数据计算耗时短，数据存储量小，更加适合批量化生成，但是低分辨率的CFD精度往往不足，缺少流动的细节信息。
如何利用机器学习提升低分辨率CFD的精度？
机器学习的模型推理速度非常快，若能够利用机器学习的方法提升低分辨率的CFD精度，训练好的模型就可以快速将低分辨率CFD的结果提升为高分辨率CFD的结果，解决上述问题。
飞桨FNO模型为什么适合处理超分问题？
FNO模型本身具有分辨率无关性的特点，是一种适合处理超分问题的模型。
飞桨PaddleScience是什么？
飞桨PaddleScience是国内首个基于AI框架的、公开且可应用于计算流体力学（CFD）领域的工具，提供端到端的应用API，重点围绕高水平科研活动场景，解决重大科研问题。
超分FNO模型的工作原理是什么？
超分FNO是基于飞桨FNO模型开发的具有任意分辨率提升能力的模型。其原理为利用FNO模型的分辨率无关特性，在原始FNO模型的傅立叶卷积层（Fourier Layers）后接入逆傅立叶变换层（Inverse Fourier Layer）。数据处理的流程为：1.输入低分辨率的空间域（Spatial Domain）数据；2.经过FC全连接层，将输入数据提升为高维低分辨率；3.然后输入傅立叶卷积层，在高维频域（Spectral Domain）进行学习；最后通过逆傅立叶层，将高维频域的数据投影到空间域，且具有高分辨率。
使用FNO模型进行流体超分能带来多少速度提升？
在气泡上升场景下，低分辨率的数据生成速度为每千张图片耗时12分钟，而高分辨率的数据生成速度为每千张图片耗时60分钟。因为模型推理耗时可以忽略，所以相当于提升了5倍的数据生成速度。
