利用基于扩散的生成模型学习湍流涡度轮廓的分布，生成与训练数据集不同的多样化湍流解，并分析新湍流轮廓的统计缩放特性、能量功率谱、速度概率分布函数和局部能量耗散矩。通过与已建立的湍流特性的一致性，该模型证明了其捕捉实际湍流关键特征的能力。

Nov, 2023

该研究介绍了一种生成扩散模型和物理引导技术，可以生成逼真的流动状态序列，从而实现对湍流流动的时间演变的分析，为生成建模在湍流动力学复杂性研究中提供了宝贵的见解。

Jun, 2024

基于最先进的扩散模型的机器学习方法，能够生成具有高雷诺数的三维湍流中的单粒子轨迹，从而避免直接数值模拟或实验获得可靠的拉格朗日数据；该模型能够定量地重现整个时间尺度范围内的所有相关统计基准，包括速度增量的尾分布、异常幂律和耗散尺度周围间歇性的增强；该模型在极端事件方面表现出良好的普适性，实现了前所未有的强度和稀有性，为产生用于预训练拉格朗日湍流各种下游应用的合成高质量数据奠定了基础。

Jul, 2023

我们介绍了一种基于概率扩散模型的新型生成框架，用于多样化生成时空湍流。我们的方法在贝叶斯框架内统一了无条件和条件抽样策略，并能适应各种条件情景，包括指定条件与生成的非稳定流动结果之间具有直接可微分链接的情况以及缺乏明确相关性的情况。我们的方法的一个显著特点是基于自回归梯度条件抽样的长时跨度流动序列生成方法，在没有繁琐的重新训练过程的情况下完成。通过一系列数值实验展示了我们框架的多样化湍流生成能力，包括：1）从 URANS 输入合成 LES 模拟的瞬态流动序列；2）从给定的初始条件、规定的湍流统计数据或完全从头开始生成非均匀的、各向异性的壁面湍流；3）从不同输入分辨率的低分辨率数据中实现高速湍流边界层流动的超分辨生成。综合而言，我们的数值实验突显了所提方法的优点和变革潜力，在湍流生成领域取得了重大进展。

Nov, 2023

本文介绍了一种新的神经网络随机模型，用于生成具有湍流速度统计的一维随机场。该模型的结构和训练程序基于克尔莫戈洛夫和奥布科夫的完全发展湍流统计理论，因此可以保证与实验观测一致的能量分布、能量级联和尺度间歇性的描述。该模型是一个具有多尺度优化准则的生成对抗网络，首先使用三个基于物理的准则：生成场增量的方差、偏度和平坦度，分别检索湍流能量分布、能量级联和尺度间歇性。其次，基于重现统计分布的生成对抗网络准则，用于不同长度的生成场的段落上。此外，为了模仿湍流研究中经常使用的多尺度分解，模型结构完全卷积，模型的多个层的内核大小变化。为了训练我们的模型，我们使用摩登风洞的网格湍流的湍流速度信号。

Jul, 2023

基于生成对抗网络的对流参数化研究，能够预测对流边界层内不同高度处的合成湍流场的统计学特征，包括热浮力波动、垂直速度和浮力通量，同时捕捉最快的热气团穿过稳定顶部区域，为其他自然流动的高效数据驱动对流参数化研究铺平了道路。

Jul, 2023

我们提出了一种几何到流场扩散模型，利用障碍物形状预测障碍物后的流场。该模型基于可学习的马尔可夫转移核函数，从高斯分布中恢复数据分布。马尔可夫过程以障碍物几何形状为条件，在每一步估计需要消除的噪声，通过 U-Net 实现。交叉注意机制将几何形状作为提示集成进来。我们使用包括圆形、椭圆形、矩形和三角形在内的简单障碍物流数据集进行几何到流场扩散模型的训练，并以同一数据集训练 CNN 模型进行比较。对于简单和复杂几何形状的障碍物流场，进行插值和外推的测试。流场生成结果表明几何到流场扩散模型在预测瞬时流场和处理复杂几何形状方面优于 CNN 模型。对模型准确性和场中发散的定量分析表明扩散模型具有很高的鲁棒性，暗示扩散模型隐式地学习了物理规律。

Jun, 2024

基于扩散概率模型的新型不确定性感知场景流估计网络 (DifFlow3D) 提出，具有卓越性能，在 FlyingThings3D 和 KITTI 2015 数据集上分别降低了 6.7％和 19.1％的 EPE3D，且在 KITTI 数据集上实现了前所未有的毫米级准确度 (0.0089m 的 EPE3D)。扩散式精炼范式可作为即插即用模块集成到现有场景流网络中，显著提高其估计准确性。

Nov, 2023

本文探讨了生成扩散模型的动力学性质，发现其决定性的相变点将其生成过程分为两个不同的阶段，对此我们提出了一种高斯后初始化方案，可显著提高模型性能，增加样本多样性并减少偏差，实验表明在快速采样上可实现 3 倍的 FID 改进。

May, 2023

为解决物理机器学习中的数据稀缺性问题，我们提出了一种新的物理模拟数据生成方法，利用扩散模型生成合成数据样本，并通过两种情况下的比较检验生成数据样本的准确性和符合物理法则的一致性，从而使它们能够有效地用于下游任务。

Jun, 2023