Neues Verfahren verbessert Langzeitvorhersagen in Fluiddynamik

In der Welt der Datenanalyse werden immer mehr Methoden entwickelt, die klassische numerische Vorhersagen ersetzen können. Sie ermöglichen schnelle Inferenz und sind weniger rechenintensiv. Doch bei komplexen Systemen verschlechtert sich die Genauigkeit über längere Zeiträume häufig, weil Fehler sich ansammeln. Traditionelle autoregressive Trainingsansätze, die zwar effektiv sind, benötigen enorme GPU‑Speicherkapazitäten und können die Kurzzeitleistung beeinträchtigen.

Die Forscher stellen das Stochastic PushForward (SPF) vor – ein neues Framework, das die Vorteile des ein‑Schritt‑Trainings beibehält, aber gleichzeitig Mehr‑Schritt‑Lernen ermöglicht. SPF erstellt aus den Modellvorhersagen ein ergänzendes Datenset und kombiniert es mit den wahren Messwerten über eine stochastische Akquisitionsstrategie. So wird ein ausgewogenes Verhältnis zwischen Kurz- und Langzeitgenauigkeit erreicht, während das Risiko von Overfitting reduziert wird.

Ein besonderer Vorteil von SPF ist die stabile Speicher­nutzung: Mehr‑Schritt‑Vorhersagen werden zwischen den Trainings­Epochen vorab berechnet, ohne komplette unrolled‑Sequenzen speichern zu müssen. In Experimenten mit der Burgers‑Gleichung und dem Shallow‑Water‑Benchmark zeigte SPF eine höhere Langzeit‑Genauigkeit als herkömmliche autoregressive Methoden und verlangsamte gleichzeitig den Speicherbedarf.

Diese Ergebnisse machen SPF zu einer vielversprechenden Lösung für ressourcenbeschränkte und komplexe Simulationen in der Fluiddynamik und darüber hinaus.