編輯 | 蘿蔔皮
應用物理和工程中的許多問題都涉及從資料中學習物理位移場。粒子影象測速（PIV）是實驗流體動力學中至關重要的一種方法，在汽車、航空航天和生物醫學工程等眾多領域均有應用。
德國亞琛工業大學的研究人員提出了一種基於深度神經網路的端到端學習位移場的方法，重點關注粒子影象測速的具體情況。
該研究以「Deep recurrent optical flow learning for particle image velocimetry data」為題，於 2021 年 7 月 20 日釋出在《Nature Machine Intelligence》。
PIV 是實驗流體力學中的一項關鍵技術，用於確定各種複雜工程問題中流場的速度分量。PIV 實驗在其中發揮重要作用的當前研究主題包括：分析內燃機的內部氣流，例如，最佳化效率或減少汙染物排放；心室輔助裝置中異常血流相關血栓形成風險的調查；以及減少飛機和汽車的湍流摩擦阻力，以滿足未來民用和貨物運輸中的二氧化碳排放目標等等。
PIV實驗及其分析的設定和一般工作流程。
粒子影象測速法是一種非侵入式光學方法，可將浮力粒子（示蹤粒子）新增到流動中，其中它們採用周圍流體的速度。流動被薄的高功率鐳射光片照亮以記錄這些示蹤粒子的運動。相機用於在短時間間隔 Δt 內記錄粒子的兩個影象，通常為微秒級。
給定來自 PIV 實驗的資料，關鍵問題是確定潛在的位移場，即描述流動中區域性位移的向量場。標準 PIV 演算法的工作原理是將輸入影象細分為小的詢問視窗，這些視窗隨後在連續幀之間相互關聯。通常，所得相關函式的最大值用作兩個詢問視窗之間區域性位移的估計。最先進的演算法還廣泛涉及了其他元素，包括子畫素插值、多重網格相關方案和自動異常值檢測。
儘管這些經典方法為過去二十年設定了標準，但它們涉及需要手工最佳化方案的複雜演算法。擴充套件這些工具功能所需的大量工作是 PIV 進一步開發的主要限制，尤其是在需要密集位移場的環境中。受當前經典 PIV 方法的這些侷限性的啟發，研究人員將深度光流學習的思想與 PIV 分析相結合。
展示瞭如何使用端到端神經網路方法有效地學習位移場。該方法基於最近用於光流學習的神經網路架構，稱為迴圈全對場變換（RAFT）。與經典的手動方法相比，該方法是通用的、近乎自動化的，並且產生了研究許多應用中關鍵的更精細波動尺度所需的密集流量估計。
深度神經網路——包括卷積神經網路（CNN）——是計算機視覺中的關鍵工具，近年來已經提出了許多用於光流學習的神經網路方法。通常，這些方法透過定義輸出為所需光流場的端到端網路來回避手動設計分析管道的問題。受深度光流學習成功的啟發，已經提出了用於 PIV 處理的不同神經網路架構，這些架構已經開始在效率、精度和空間解析度方面匹配甚至超過最先進的經典演算法。
然而，動態流體流動的巨大多樣性和粒子影象條件的可變性意味著 PIV 後處理方案需要對新的流動和光照條件具有高泛化能力，而這些因素繼續構成挑戰。受這些挑戰的啟發，研究人員研究瞭如何在 PIV 分析的背景下使用 RAFT。相對於經典方法和現有的光流學習器，實證結果表明在具有挑戰性的基準和實驗示例上有明顯的改進。新方法為該領域進一步的自監督或無監督學習方法打開了大門，並且——類似於其他最近的神經光流估計器——允許高空間解析度，因為它預測每畫素位移。
RAFT-PIV的主要元件和粒子影象資料集的比較。
研究人員提出的 RAFT-PIV，是一種用於 PIV 應用中光流估計的深度神經網路架構。RAFT-PIV 在公共 PIV 資料庫上實現了最先進的準確性，並且優於現有的基於監督和無監督學習的方法。迭代流更新使後續的流細化成為可能，這可能是 RAFT-PIV 最突出的方面。
迴圈更新運算元，例如 Conv-GRU 或 ConvLSTM，進一步提高了 RAFT-PIV 的效能，這可能是由於門控啟用有助於細化過程收斂。RAFT-PIV 在更具挑戰性的流場和影象條件（例如低粒子密度和不斷變化的光照條件）下也表現良好，這些條件對許多實際應用都很重要。對不同粒子影象條件的系統測試表明，RAFT-PIV 對不同的粒子大小具有穩健性，在 SNR > 2 時效果很好，並且在高粒子條件下表現最佳。以開箱即用的方式將 RAFT-PIV 應用於實驗 PIV 資料展示了其泛化能力和顯著提高空間解析度的能力，同時匹配最先進的 PIV 演算法。
使用深度學習方法進行 PIV 分析，為研究應用物理學和工程中廣泛設定中遇到的較小流場波動的新方法打開了大門。RAFT-PIV 的有趣擴充套件包括無監督和自監督損失公式以及對立體視覺的擴充套件。此外，與物理資訊神經網路的結合允許整合控制物理方程，是一個很有前途的新研究方向，可以同時估計各種物理量，例如速度、壓力和剪下應力。另一個關鍵主題是原則性不確定性量化；一種方法是考慮對 RAFT-PIV 的貝葉斯擴充套件，這不僅可以訪問點估計，還可以訪問後驗分佈。
人工智慧
×
[ 生物 神經科學 數學 物理 材料 ]
「ScienceAI」關注人工智慧與其他前沿技術及基礎科學的交叉研究與融合發展
。
歡迎
關
註標星
，並點選右下角
點贊
和
在看
。
