Physikbasierte Schrödinger-Brücke beschleunigt Datenassimilation bei HF

Die Datenassimilation von Systemen, die durch partielle Differentialgleichungen (PDE) beschrieben werden, hat das Ziel, vollständige räumlich-zeitliche Felder aus wenigen hochpräzisen Beobachtungen zu rekonstruieren und dabei die physikalischen Gesetze einzuhalten. In der Praxis liefern niedrigauflösende, aber kostengünstige Simulationen wertvolle Priorinformationen, doch die Anpassung eines hochpräzisen Feldes an die Beobachtungen und die PDE erfordert häufig eine aufwändige Optimierung für jedes einzelne Problem – ein erheblicher Engpass in zeitkritischen Anwendungen.

Amortisierte Rekonstruktionsmethoden, die generative Modelle nutzen, wurden kürzlich vorgeschlagen, um dieses Problem zu umgehen. Diese Ansätze benötigen jedoch vollständige hochpräzise Felddaten während des Trainings, was in realen Szenarien oft nicht verfügbar ist.

Die neue Methode, die Physics‑Informed Conditional Schrödinger Bridge (PICSB), überwindet diese Beschränkungen. Sie transportiert ein informatives niedrigauflösendes Priorfeld zu einem Beobachtungskonditionierten hochpräzisen Posterior, ohne zusätzliche Laufzeitführung. Durch einen iterativen „Surrogate‑Endpoint‑Refresh“-Mechanismus kann PICSB ohne hochpräzise Endpunkte lernen und integriert PDE‑Residüe direkt in die Trainingsfunktion. Beobachtungen werden dabei während des Samplings streng konditioniert, sodass die generierten Felder stets mit den Messdaten übereinstimmen.

Tests an Fluid‑PDE‑Benchmarks zeigen, dass PICSB extrem schnelle Rekonstruktionen von räumlich‑zeitlichen Feldern ermöglicht und dabei eine mit herkömmlichen Methoden vergleichbare Genauigkeit bei spärlicher hochpräziser Supervision erreicht.