Verteilte PINNs: Schnelle Strömungsrekonstruktion durch Domänenzerlegung

Physik-informierte neuronale Netzwerke (PINNs) ermöglichen die Rekonstruktion von Strömungen, indem sie spärliche Geschwindigkeitsmessungen mit den Navier–Stokes-Gleichungen verknüpfen. Für große räumlich‑zeitliche Bereiche stoßen klassische PINNs jedoch an Rechen‑ und Optimierungsgrenzen.

In der neuen Studie wird ein verteiltes PINN‑Framework vorgestellt, das die Domain in unabhängige Teilbereiche zerlegt. Ein zentrales Problem – die Unbestimmtheit des Druckfeldes – wird durch eine Referenz‑Anker‑Normalisierung und asymmetrische Gewichtung gelöst. Durch die gerichtete Informationsweitergabe vom Master‑Rank, an dem der Anker liegt, wird die Druck‑Gaußfreiheit aufgehoben und die globale Druck‑Einzigartigkeit gewährleistet, ohne die zeitliche Kontinuität zu verletzen.

Zusätzlich reduziert die Implementierung von CUDA‑Graphen und JIT‑Kompilierung die Interpreter‑Overhead bei hoch­ordentlichen Physik‑Residu­en. Umfangreiche Tests an komplexen Strömungs‑Benchmarks zeigen nahezu lineare starke Skalierbarkeit und hochpräzise Rekonstruktionen. Damit eröffnet das Verfahren einen skalierbaren, physikalisch fundierten Weg zur schnellen Analyse komplexer Hydrodynamik.