AE-ViT: Stabilisiertes Langzeit-Parametrisches PDE-Modellieren

Ein brandneuer Deep‑Learning‑Ansatz für parametrisierte partielle Differentialgleichungen (PDEs) wurde auf arXiv veröffentlicht. Das Modell, genannt AE‑ViT, kombiniert konvolutionale Encoder, Transformer‑Architektur und Decoder, um hochdimensionale PDE‑Lösungen effizient zu approximieren.

Traditionelle reduzierte Ordnung Modelle (ROMs) lernen die Dynamik entweder auf dem gesamten Lösungsfeld – was enorme Rechenkosten verursacht – oder auf komprimierten latenten Darstellungen, die schwer zu evolvieren sind, weil sie vorwiegend räumliche Informationen enthalten. Zudem reicht bei parametrierten PDEs die Anfangsbedingung allein nicht aus, um die gesamte Trajektorie zu bestimmen.

AE‑ViT löst diese Probleme, indem es Parameter an mehreren Stufen in das Modell injiziert und physikalische Koordinaten als zusätzlicher Kanal einbettet. Diese Multi‑Stage‑Parameter‑Injection und Coordinate‑Channel‑Injection verbessern die Konditionierung und ermöglichen es dem Transformer, die latenten Repräsentationen dynamisch an die spezifischen PDE‑Parameter anzupassen.

Durch die Kombination aus Encoder, Transformer und Decoder kann das Modell mehrere Lösungskomponenten gleichzeitig vorhersagen, selbst wenn diese unterschiedliche Größenordnungen und Parameter‑Sensitivitäten aufweisen. Die Experimente an der Advection‑Diffusion‑Reaction‑Gleichung sowie an Navier‑Stokes‑Strömungen um ein Objekt demonstrieren stabile Langzeitvorhersagen und eine hohe Genauigkeit.

Der Ansatz eröffnet neue Perspektiven für effiziente, hochpräzise Surrogatmodelle in der CFD und anderen Bereichen der numerischen Simulation, indem er die Vorteile von Deep Learning mit physikalisch fundierten Injektionen kombiniert.