Spatio-Temporal Fluid Dynamics Modeling via Physical-Awareness and Parameter Diffusion Guidance

本文提出了一个名为ST-PAD的两阶段框架，用于地球科学领域中的时空流体动力学建模，旨在通过时空物理意识和参数扩散引导实现流体动力学的高精度模拟和预测。在上游阶段，我们设计了一个具有时间演化特征的向量量化重构模块，通过引入一般物理约束条件，确保参数分布平衡和弹性。在下游阶段，利用涉及参数的扩散概率网络生成高质量的流体未来状态，同时通过感知不同物理设置中的参数，增强模型的泛化能力。对多个基准数据集的广泛实验验证了ST-PAD框架的有效性和鲁棒性，表明ST-PAD在流体动力学建模和预测方面优于当前主流模型，特别是在有效捕捉局部表示并在OOD生成方面保持显着优势方面。

本文旨在通过空间-时间物理意识和参数扩散引导实现高精度流体动力学模拟和预测，解决流体动力学建模和预测中的问题。

本文提出了一个名为ST-PAD的两阶段框架，利用向量量化重构模块和扩散概率网络来实现流体动力学模拟和预测，该模型在物理约束下保证了参数分布的平衡和弹性，同时提高了模型的泛化能力。

本文在多个基准数据集上进行了广泛的实验，验证了ST-PAD框架的有效性和鲁棒性，表明ST-PAD在流体动力学建模和预测方面优于当前主流模型，特别是在有效捕捉局部表示和在OOD生成方面具有显着优势方面。

最近在这个领域中，还有一些相关的研究，例如：“A Deep Learning Framework for Environmental Fluid Dynamics Modeling”、“Deep Learning for Flow Prediction: A Systematic Review”等。