基于高斯混合变分自编码器的物理可解释表示学习 (GM-VAE)

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》:Physically interpretable representation learning with Gaussian Mixture Variational AutoEncoder (GM-VAE)

【字体: 大 中 小 】 时间:2026年08月29日 来源:COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING 7.6

编辑推荐:

   摘要 从高维科学数据中提取紧凑且具有物理可解释性的表示,始终是一个持续的挑战,因为物理系统中固有的复杂非线性结构使这一问题变得困难。我们提出了一种高斯混合变分自编码器(GM-VAE)框架,旨在通过结合一种受期望最大化(EM)启发的训练方案与一种新颖的谱可解释性指标来解决该问

  摘要从高维科学数据中提取紧凑且具有物理可解释性的表示,始终是一个持续的挑战,因为物理系统中固有的复杂非线性结构使这一问题变得困难。我们提出了一种高斯混合变分自编码器(GM-VAE)框架,旨在通过结合一种受期望最大化(EM)启发的训练方案与一种新颖的谱可解释性指标来解决该问题。与同时优化重构和聚类(通常会导致训练不稳定)的传统VAE不同,我们的方法采用块坐标下降策略,在期望步与最大化步之间交替进行。该方法稳定了训练过程,并使潜在聚类自然地与不同的物理状态相关联。为了客观地评估所学习到的表示,我们引入了一种基于图-Laplacian光滑度的定量指标,用于衡量物理量在潜在流形上的连贯性。我们在复杂度递增的数据集上展示了该框架的有效性:表面反应常微分方程、Navier–Stokes尾流以及实验激光诱导燃烧纹影图像。结果表明,我们的GM-VAE能够产生平滑且物理一致的流形,并能准确地进行状态聚类,为解释湍流与反应流系统提供了一种稳健的数据驱动工具。引言对复杂、瞬态或多尺度流动进行高保真度分析,会产生大量高维数据,其解释变得越来越困难。这一挑战在纹影成像(Schlieren imaging)等实验诊断方法中尤为突出,该方法通过可视化折射率梯度来捕捉湍流、激波与燃烧动力学[1]。尽管纹影数据在模型验证方面极为宝贵,但大批量的纹影数据带来了独特的分析难题:图像维度高、对实验噪声敏感,并且在光对比度与底层热流物理之间存在复杂的非线性耦合[2]、[3]。因此,从此类数据集中提取紧凑且具有物理可解释性的表示,仍然是一个关键的开放问题。这些挑战凸显了对数据驱动框架的迫切需求,以便从高维流场中提取物理上有意义的低维模式。在本工作中,我们专注于分析和解释由CFD模拟及纹影实验所产生的高维数据,寻找能够以紧凑、可解释的形式揭示流动底层结构与动态的表示。降维方法对于理解纹影图像等高维数据集至关重要。最先进的降维方法,例如t-SNE[4]、UMAP[5]、LLE[6]和Isomap[7],致力于保留原始数据的局部拓扑,但往往会扭曲全局结构。此外,这些方法通常依赖欧几里得(L2)距离来度量邻域关系,而在高维空间中,由于成对距离趋向于集中并失去对比度,这些距离往往会变得不再具有信息价值[8]。为了应对科学数据在可解释降维方面的这些挑战,本工作旨在将高维数据编码为具有物理意义、低维度的表示,以捕捉关键特征,同时保留全局与局部结构,从而便于在学到的潜在流形中进行解释与分析。虽然流形学习技术(t-SNE、UMAP)能够提供可视化,但缺乏将数据映射回物理空间的生成机制。相反,标准变分自编码器(VAE)虽提供了生成能力,但通常强制施加单一高斯先验,这会使潜在空间过度平滑,无法分离出不同的物理状态(例如层流与湍流)。为应对这一问题,我们采用高斯混合变分自编码器(GM-VAE)[9]、[10],并提出一种基于EM的训练策略,来分析由真实激光诱导燃烧系统生成的新型且复杂的纹影图像数据集。本研究表明,传统的非线性降维方法在捕捉该数据集复杂动力学方面已被证明不再足够。GM-VAE提供了一个统一的概率表示学习框架,能够提取低维潜在坐标,根据具有物理意义的状态来组织数据。这些潜在变量能够自然聚集群集对应于不同燃烧状态的图像,并允许在它们之间进行插值,揭示流动演化过程中的平滑过渡。为了进一步评估和解释学到的潜在表示,我们引入了一种基于物理量在潜在流形上光滑度的定量物理可解释性指标。由于底层物理系统是通过压力、温度等量的平滑过渡来演化的,因此物理上一致的潜在表示应当在潜在空间中对这些量的变化表现出相似的平滑性。我们使用谱图理论对该概念进行形式化。从潜在点云构建一个图,并在最近的邻居之间定义边。图Laplacian的特征向量在流形上定义了频率分量,使得任何物理变量都可以被视为该图上的信号。信号的光滑度,通过其能量在低频模态中的集中度来量化,从而成为可解释性的代理指标。综上所述,我们的主要贡献有三点:- 稳健的训练框架:我们提出了一种受EM启发的块坐标下降算法用于训练GM-VAE。通过在潜在聚类分配与参数更新之间交替执行,该方法稳定了优化过程,并确保潜在聚类与不同的物理状态对齐。- 谱可解释性指标:我们引入了一种基于图-Laplacian光滑度的定量指标,以评估学习到的表示在物理上的一致性。该指标客观地衡量了物理状态变量在潜在流形上的连贯程度。- 验证:我们在复杂度递增的数据集上展示了框架的有效性:低维度的表面反应常微分方程、混沌的Navier–Stokes尾流,以及来自激光诱导燃烧实验的高维纹影图像。章节片段数据驱动方法在湍流与燃烧中的应用。机器学习越来越多地被用于加速和丰富湍流燃烧建模。Ihme等人[11]综述了构建简化动力学机制和低维流形的数据驱动策略,强调了数据驱动代理在复杂反应流动中的作用。与此视角相辅相成,Duraisamy等人[12]综述了用于湍流建模的物理信息机器学习方法,重点关注了闭包学习、模型形式的不确定性量化以及……方法论本节详细说明本研究中所采用的方法论,包括GM-VAE的架构与训练过程。用于可解释性的评估指标为了实现学到的潜在表示中的*物理可解释性*,我们将可解释性定义为:诸如压力、温度或物种浓度等连续标量物理量应当随潜在坐标平滑变化。根据这一定义,潜在空间中的微小移动应当对应于所测量量的微小且物理上有意义的变化。这提供了一个具体且可量化的标准,用于评估……实验与讨论在本节中,我们在模拟与实验数据集上验证GM-VAE。我们从三个主要维度评估该方法:(i) 重构精度,通过与参考模拟或实验数据进行均方误差(MSE)比较来衡量;(ii) 物理上有意义状态的恢复,通过将潜在聚类与已知标签(例如点火类型、尾流状态)进行比较来量化;以及(iii) 潜在流形的物理可解释性,使用图-谱光滑度指标……结论在本工作中,我们提出了一个高斯混合变分自编码器(GM-VAE)框架,旨在从高维科学数据中提取物理可解释的低维表示。通过整合受EM启发的块坐标下降训练策略,我们的方法稳定了重构与聚类的联合优化,克服了标准VAE中常见的训练不稳定问题。我们跨越一系列物理系统层级对框架进行了验证——从……CRediT作者贡献声明**Tiffany Fan:** 写作 – 审阅与编辑、写作 – 原稿撰写、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。**Murray Cutforth:** 写作 – 审阅与编辑、验证、方法论、调查、正式分析、概念化。**Marta D'Elia:** 写作 – 审阅与编辑、监督、方法论、调查、正式分析、概念化。**Alexandre Cortiella:** 写作 – 审阅与编辑、调查、数据……生成式AI及AI辅助技术用于写作过程的声明在本工作准备过程中,作者使用了ChatGPT(OpenAI)来辅助语言润色。在使用该工具之后,作者对内容进行了审阅和必要的编辑,并对所发表文章的内容承担全部责任。利益冲突声明作者声明以下财务利益/个人关系,这些可能被视为潜在的利益冲突:Tiffany Fan报告获得了美国能源部的资金支持。如果有其他作者,他们声明没有已知的竞争财务利益或个人关系,这些关系可能会影响本论文所报告的工作。致谢本材料基于美国能源部国家核安全管理局(National Nuclear Security Administration)在资助编号DE-NA0003968下的支持。作者感谢Purdue大学Calson Slabaugh教授团队进行燃烧实验并记录纹影成像数据。作者感谢澳大利亚墨尔本大学的Jiyoung Lee慷慨分享双圆柱绕流基准测试的模拟数据。作者还向……致以谢意Tiffany Fan | Murray Cutforth | Marta D'Elia | Alexandre Cortiella | Alireza Doostan | Eric Darve
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号