FlowRefiner: Flow Matching-Based Iterative Refinement for 3D Turbulent Flow Simulation

利用神经网络求解偏微分方程（PDE）模型对三维湍流场进行精确的自回归预测仍面临严峻挑战，原因在于细尺度结构上的微小误差会在多步时间推进（rollout）过程中迅速累积。本文提出FlowRefiner——一种基于流匹配（flow matching）的迭代精细化框架，专为三维湍流模拟而设计。该方法摒弃了传统的随机去噪式精细化策略，转而采用基于常微分方程（ODE）的确定性校正机制；在所有精细化阶段统一采用速度场回归作为优化目标；并引入一种解耦的噪声强度（sigma）调度策略，使噪声范围的设定与精细化迭代深度完全解耦。上述设计选择共同保障了在低噪声区间内精细化过程的稳定性与有效性。在具有丰富多尺度结构的大规模三维湍流数据集上的实验表明，FlowRefiner在自回归预测精度方面达到当前最优水平，同时展现出优异的物理一致性。尽管本框架最初面向湍流模拟任务开发，但其核心思想与架构具有普适性，可广泛应用于科学建模中各类迭代精细化问题。

准确的三维湍流流动自回归预测对神经PDE求解器仍具挑战性：细尺度结构中的微小误差在 rollout 过程中会快速累积，导致长期预测失稳和物理不一致性。该问题并非全新，但现有方法（如基于扩散的随机去噪）在小噪声、高精度迭代 refinement 场景下缺乏稳定性与确定性保障。

提出 FlowRefiner——一种基于流匹配（flow matching）的确定性迭代精化框架：用 ODE 确定性校正替代传统扩散模型中的随机去噪；统一所有精化阶段的速度场回归目标（避免目标漂移）；引入解耦的 sigma 调度策略，使噪声尺度独立于精化深度，从而在小噪声极限下实现稳定高效收敛。核心新意在于将流匹配原理系统性迁移到物理驱动的确定性多步 PDE 求解精化中，兼顾数学严谨性与物理可解释性。

在大规模三维各向同性湍流（128³ 和 256³ 分辨率）上验证，显著超越 GraphCast、FourCastNet、PDE-Transformer 及扩散基线（如CDM、TurbDiff）；物理指标（能谱、涡量动力学、能量级联）全面达标；无采样随机性，支持确定性 rollout；代码已开源（GitHub: flowrefiner）；实验设计包含跨分辨率泛化、长期 rollout（>100 步）、消融研究（验证 ODE 校正、统一目标、sigma 解耦的必要性）；值得深入的方向包括：与隐式神经表示（INR）结合、扩展至可压缩/多相流、在线自适应 refinement 步数控制。

Diffusion-based PDE Solvers (ICML 2023); PDE-Transformer: Learning to Solve PDEs with Transformers (NeurIPS 2022); GraphCast: Learning Skillful Medium-Range Global Weather Forecasting (Nature 2023); FourCastNet: A Global Data-driven High-resolution Weather and Climate Model (arXiv 2022); Flow Matching for Generative Modeling (NeurIPS 2023); TurbDiff: Diffusion Models for Turbulent Flow Prediction (CVPR 2024)