基于动态潜在空间表征的激光诱导火箭点火生成式预测

《Data-Centric Engineering》：Generative prediction of laser-induced rocket ignition with dynamic latent space representations

　　

针对激光点火火箭发动机（rocket engines）的高精度、可预测的尺度分辨模拟（scale-resolving simulations）通常极为耗时，因为该问题同时包含湍流燃料–氧化剂混合动力学、激光诱导能量沉积以及高速火焰生长。此外，这一问题还伴随着巨大的设计空间，主要对应于激光运行条件和目标位置。为实现快速探索与不确定性量化（uncertainty quantification, UQ），研究人员提出了一种数据驱动代理建模方法，将卷积自编码器（convolutional autoencoders, cAEs）与神经常微分方程（neural ordinary differential equations, neural ODEs）相结合。当前将基于机器学习（machine learning）的代理模型应用于前沿多物理湍流模拟的目标工作，构成了代理模型部署方式向更高现实复杂性演进范式转变的一部分。具体而言，cAE首先在空间上将高维流场压缩到低维潜在空间（latent space）中，随后系统的时间动力学在该空间内通过neural ODE进行学习。模型训练完成后，可根据初始条件及给定运行输入快速生成时空预测结果。由于学习到的代理模型可替代整个随时间演化的模拟过程，单次点火试验的预测成本可降低若干个数量级，从而能够高效探索输入参数空间。此外，当前框架可输出时空场预测，因此更容易评估模型输出是否具有物理依据。该方法朝向激光点火火箭燃烧室（rocket combustors）实时数字孪生（digital twins）迈出了重要一步，也体现了复杂系统背景下代理建模的发展方向。

影响陈述：研究人员提出了一种动力学自编码器（dynamical autoencoder, DnAE）框架，通过耦合cAE与神经常微分方程（ordinary differential equations, ODEs）来预测激光点火火箭燃烧室中的点火轨迹。该问题的表征方式首先将模拟数据从原始变量（primitive variables）的高维场降维为模拟实验数据采集方式的路径积分量（path-integrated quantities）。随后，这些量通过cAE压缩至低维流形（manifold）中，并利用参数化神经ODE对其时间演化进行预测，从而将此类模型的应用从已有的简单动力学模拟器扩展至一个具有工程意义的复杂问题。与大涡模拟（large-eddy simulation, LES）相比，DnAE将点火预测成本降低了若干个数量级，同时能够准确捕捉点火成功与失败之间的分岔（bifurcating）动力学，这标志着面向推进系统实时数字孪生的重要进展。

该文发表于《Data-Centric Engineering》，围绕激光诱导火箭点火这一高成本、多物理场耦合、强非线性且具有分岔特征的工程问题，提出了一种面向时空场预测的生成式代理模型框架。研究背景在于，火箭燃烧室中的激光点火过程同时受湍流燃料–氧化剂混合、激光火花能量沉积、火焰核增长及后续燃烧传播等因素控制，单次高保真或尺度分辨模拟计算代价极高，而点火成功与失败又对激光参数、焦点位置和燃烧室工况高度敏感。传统仅输出标量响应的代理模型难以描述点火过程中决定成败的时空演化，也难以支撑不确定性量化（uncertainty quantification, UQ）与可靠性分析。因此，有必要构建既能保留关键物理过程、又可大幅降低计算成本的时空生成式代理模型。

研究人员首先基于大涡模拟（large-eddy simulation, LES）建立了一个点火试验数据集，以表征输入不确定性驱动下的多模态点火响应。该系统共考虑15个不确定输入参数，涵盖激光火花特性与聚焦误差、激光沉积时滞、甲烷系统质量、火焰传播建模参数、亚网格应力系数、推进剂入口条件以及燃烧室几何变异等来源。研究指出，点火结果本质上是一个伯努利型（Bernoulli）随机变量，有限数量LES样本下，点火概率估计收敛缓慢，因而直接依赖LES进行大规模统计分析在计算上不可行。为解决这一问题，研究人员提出动力学自编码器（dynamical autoencoder, DnAE）框架，将卷积自编码器（convolutional autoencoders, cAEs）与参数化神经常微分方程（neural ordinary differential equations, neural ODEs）耦合，实现从输入参数向点火时空轨迹的快速生成式预测。

就主要技术方法而言，研究使用300组针对压缩反应流亚尺度火箭燃烧室的LES点火试验作为样本来源；将三维流场经路径积分降维为二维计算红外（infrared, IR）热成像表征；利用卷积自编码器将⁵⁹²×₂₄₀的单通道IR场压缩为8维潜在状态；随后构建以输入参数向量、时间与潜在向量为输入的参数化neural ODE，采用四阶Runge–Kutta（RK4）推进潜在轨迹；针对复杂分岔轨迹训练困难的问题，引入按时间窗口逐步扩展的课程学习（curriculum learning）策略；最终通过解码器重建时空温度场，并结合等温线面积增长准则判定点火成败，同时使用大规模Monte Carlo采样生成点火概率分布。

以下结合论文主体结果进行解读。

一、Latent space trajectories

该部分主要分析经自编码器压缩后，LES生成的IR时序数据在低维潜在空间中的轨迹组织结构。研究人员发现，虽然自编码器在训练时并不感知时间信息，但按各点火试验的时间顺序重排后，不同试验在8维潜在空间中形成了平滑轨迹。早期阶段，潜在变量主要表征激光沉积与火花核形成，样本间差异较小；随后轨迹开始反映火花核与同轴燃料–氧化剂剪切层之间的相互作用；当时间超过约250 μs后，轨迹明显分裂为点火成功与点火失败两类分岔分支。研究进一步指出，部分潜在分量与输入参数存在清晰结构映射，尤其是激光双叶不对称比_β=R₁/R₂对若干潜在分量的早期演化具有显著影响。特别是V₅分量在成功与失败两类轨迹间表现出最清晰的分离，说明该潜在坐标对点火命运判别具有关键作用。二维投影结果进一步表明，潜在流形保留了早期聚类、中期剪切层作用及后期分岔等物理上有意义的结构，为后续动力学学习提供了可靠基础。

二、Performance of the DnAE

该部分评估DnAE在潜在空间时间推进与物理解码重构两方面的性能。研究人员将neural ODE预测得到的潜在轨迹与真实潜在轨迹逐一比较，选取误差分布中的第5、50和95百分位案例展示模型在训练集与验证集上的表现。结果表明，课程学习训练后的参数化neural ODE能够较准确地重建训练样本中的潜在轨迹多样性，包括点火成功案例的振荡特征以及失败案例的衰减趋势。对于未见验证样本，模型在早期火花核演化以及接近点火时间尺度前的预测仍较好，但在进入反应主导阶段后逐渐出现偏离。论文通过Fréchet距离与L₂范数按时间四等分统计误差，发现Q1–Q2时段误差较低，而Q3–Q4显著升高，这与湍流燃烧系统在后期进入混沌吸引子上的轨迹发散一致。

在物理解码层面，研究人员将neural ODE输出的潜在轨迹输入解码器，重建出与CFD后处理IR序列一一对应的时空图像。随后利用阈值温度T₀=1000 K对应等温区域面积A_T0(t)的持续增长作为点火成功判据。训练集上的混淆矩阵几乎达到完美分类，仅出现1例误判；验证集总体点火分类准确率为80%，点火类的precision与recall均为0.70。研究认为，验证误判主要源于潜在轨迹在后期偏离真实轨迹后跨入错误的点火命运区域，而非系统性类别偏置。尽管存在误分，重建图像仍保持物理一致结构，显示出该代理模型在复杂混沌系统中的实用价值。图像对比还表明，DnAE通常能够在约25 μs量级内预测点火起始时刻，虽然高频细尺度湍流结构有所损失，但火焰核增长、衰减及燃烧扩展等关键过程得到保留。

三、Large-scale sampling and generative features

该部分体现了本文代理模型的核心工程价值，即以极低成本替代大量LES，完成大规模不确定性传播与点火概率图谱构建。研究人员首先通过径向基函数（radial basis function, RBF）插值，根据输入参数向量为新样本构造初始潜在状态V₀(ξ)，再利用已训练的参数化neural ODE生成新轨迹。结果显示，在约10⁶次Monte Carlo代理评估中，生成轨迹在早期潜在空间方差范围内与训练样本保持一致，而在火焰增长阶段成功点火轨迹出现更丰富振荡，这被解释为对混沌吸引子更致密采样后的合理表现。研究还指出，利用V₅分量从稳定分支向负值分支的偏离即可快速区分点火成功与失败，从而避免每次都执行完整解码和图像分割，进一步降低大规模统计成本。

在大规模采样基础上，研究构建了关键激光操作参数之间的联合点火概率分布。与仅依赖300个LES样本形成的稀疏、欠收敛概率图相比，随着样本量增加至2×10⁵、5×10⁵以及10⁶，点火概率景观逐步收敛并形成稳定平滑的决策边界。结果表明，高沉积能量ξ₅、较大的轴向沉积长度ξ₄以及更有利的激光叶瓣不对称比ξ₂组合，对提高点火成功概率最为关键。研究最终识别出Pr(ign)=0.5、0.75和0.9的边界曲线，使代理模型从单次轨迹预测器转变为可直接服务于可靠性设计与运行阈值确定的定量工具。

四、讨论总结

论文讨论部分强调了该方法在复杂工程系统代理建模中的意义与局限。一方面，DnAE成功将自编码器的强非线性压缩能力与neural ODE的连续时间动力学表达结合起来，实现了对激光点火火箭燃烧室时空场的生成式预测，并将单次点火预测成本相较LES降低了若干个数量级。这使得原本无法实现的百万量级Monte Carlo点火统计成为可能，显著增强了点火概率估计与决策边界识别的统计收敛性。另一方面，作者也明确指出，由于时间演化完全在低维潜在空间中进行，空间相互作用被隐式编码为非局部表示，模型难以直接强制满足守恒律等物理约束；同时，在混沌反应阶段，长期一一对应轨迹预测本身就存在困难。尽管如此，本文仍证明，在保留关键物理机制和分岔结构的前提下，代理模型足以支持面向工程不确定性的快速评估，这对于推进系统实时数字孪生具有重要推进意义。

结论部分可概括翻译如下：本文提出了动力学自编码器（DnAE）框架，将先前用于定常空气动力学的生成式卷积自编码器范式扩展到激光点火火箭燃烧室这一复杂非定常问题。该代理模型首先利用自编码器将基于CFD的IR场压缩到低维潜在流形V中，从而建立输入参数向量ξ与潜在流形之间的可学习映射；随后通过潜在空间中的参数化neural ODE实现复杂点火轨迹预测。该方法相较尺度分辨模拟显著降低了计算成本，同时仍能够模拟导致关键点火事件的路径积分IR场的时空演化。为学习个体试验在潜在流形中的复杂轨迹，课程学习策略是必要的，因为常规训练方法无法稳定收敛。潜在空间分析显示，点火成功案例在V₅等分量上表现出清晰可分的吸引区域，使成功与失败分支得以区分。解码器进一步能够重建物理上真实的热成像序列，并可与参考LES积分量逐一比较，从而验证模型捕捉到了正确的火花核增长机制。更重要的是，该框架支持生成10⁶次点火试验，使研究人员能够从稀疏样本转向收敛的联合点火概率景观，并在激光操作参数空间中识别复杂决策边界。通过高统计置信度量化点火成功概率Pr(ign)，该研究为不确定性驱动设计提供了有力工具。