通过稀疏自动编码器解释 CFD 代理模型-计算机科学-基于学习的代理模型-稀疏自动编码器-计算流体动力学.pdfVIP

通过稀疏自动编码器解释CFD代理模型

YepingHu,ShusenLiu

LawrenceLivermoreNationalLaboratory

{hu25,liu42}@

Abstract于基于物理的代理模型的事后可解释性。同样，最近努

力使代理模型变得可解释的研究依赖于架构变化或使用

基于学习的代理模型已成为高保真CFD求解

额外正则化器BarweyandMaulik,2023进行微调，而不[]

器的实际替代方案，但它们的潜在表示仍然不

是事后字典学习。

透明，并阻碍了在安全关键或受监管环境中的

这一差距激励了我们的研究。在本文中，我们提出

采用。这项工作介绍了一种用于计算流体力学

本了一种后训练管道，该管道对由预训练的基于图的代理

（CFD）中图基代理模型的后验可解释性框架，

译通过利用稀疏自动编码器（SAEs）实现这一目生成的冻结节点嵌入进行训练，并使用学习到的稀疏字

典来识别所学的嵌入是否可以解释以及相应的替代模型

中标。通过在一个预训练代理的节点嵌入空间中是否可靠。我们的贡献如下：

1获得超完备基，该方法提取了一个包含可解释

v潜在特征的字典。该方法能够识别与物理现象•我们介绍了稀疏自动编码器在基于图的CFD代理

9模型中后验、模型不可知的潜在空间解释中的首次

6（如涡度或流动结构）对齐的一元语概念，为增应用。

0强CFD应用中的可解释性和可信度提供了模

6型不可知论路径。•我们采用物理驱动的标准进行全面评估，包括时间

1

.一致性、空间定位和涡区对齐，结果显示SAE产生

7

01介绍了可解释且具有物理意义的表示。

5

2高精度计算流体动力学（CFD）仿真仍然是分析复2相关工作

:

v杂非定常流动的黄金标准，但它们对于实时控制、设计稀疏自动编码器稀疏自动编码器（SAEs）最近作为提

i

[][]

x空间探索或不确定性量化Najm,2009,Huetal.,2024高模型可解释性的工具获得了关注。Cunningham等人

r

[][[]

a来说过于昂贵。基于图的代理模型Pfaffetal.,2020,HuCunninghametal.,2023表明，在语言模型的残差流上

etal.,2023最近作为有前途的替代方案出现，它们提供]训练SAE可以产生高度可解释的、单一语义特征。Gao

了最先进的精度，并且与传统求解器相比速度提高了11等人Gaoetal.,2024将SAEs扩展到更大的LLMs，发[]