周智伟 | 机器学习在流体超分辨率重建领域的应用

美国加州大学和日本庆应义塾大学合作，研究了机器学习在流体超分辨率重建领域的应用。

目前超分辨率重建问题主要利用计算机视觉技术实现，如插值、高频传输等，但在高波数重建中效果不佳。机器学习已用于图像超分辨率重建，可建立多种条件下的输入和输出间的非线性关系。在流体力学中，机器学习技术也可以用于低分辨率流体图像的超分辨率重建。这种重建可通过监督、半监督、无监督方式实现，其中监督学习方式最常用。监督学习中，使用一组低分辨率、以及对应的高分辨率流体图像为训练数据，训练卷积神经网络，从而对新输入的低分辨率流体图像进行超分辨率重建。这种方法可实现数据压缩，即将高分辨率数据压缩为低分辨率数据存储。监督超分辨率技术还可获取小规模、大规模涡旋结构间关系，实现由小空间的温度场重建城市温度场。半监督/无监督超分辨率技术使用少量标记数据或大量无标记数据训练卷积神经网络和生成对抗网络，可实现湍流场重建。超分辨率重建面临的问题包括：监督学习所需的标记数据不足，研究集中于特定流体问题，通用性不足。

这项研究概述了机器学习在流体超分辨率重建领域的应用，提出了存在的问题，有望促进该技术发展。