研究利用深度学习来解释极端事件

确定洪水、暴雨或龙卷风等极端事件的根本原因非常困难，需要科学家几十年的共同努力才能得出可行的物理解释。

极端事件会导致与预期行为的显着偏差，并可能决定许多科学问题和实际情况的总体结果。例如，在实际场景中，对极端事件的基本了解至关重要，包括海洋中的狂浪可能危及船舶和近海结构，或者日益频繁的“千年一遇的降雨”，例如四月份危及生命的洪水。劳德代尔堡地区七小时内降雨量达20英寸。

揭示此类极端事件的核心是流体物理学，特别是湍流，它在时间和空间上表现出各种有趣的行为。在流体动力学中，湍流是指发生涡流、漩涡和流动不稳定的不规则流动。由于湍流的随机性和不规则性，它们非常难以理解或通过方程应用顺序。

佛罗里达大西洋大学工程与计算机科学学院的研究人员利用计算机视觉深度学习技术，并将其应用于壁边界湍流中极端事件的非线性分析，这些极端事件在许多物理和工程应用中普遍存在，并影响风能和流体动能等。

该研究的重点是使用各种机器学习技术来识别和调节壁面湍流内的有组织结构，以克服这种现象的非线性性质。

发表在《物理评论流体》杂志上的结果表明，研究人员采用的技术对于以完全数据驱动的方式准确识别极端事件的来源来说是非常宝贵的。他们制定的框架足够通用，可以扩展到其他科学领域，在这些领域中，控制关键现象演化的潜在空间动力学可能事先并不知道。

研究人员使用专门用于揭示空间关系的称为卷积神经网络(CNN)的神经网络架构，训练网络来估计湍流模拟中喷射结构的相对强度，而无需任何有关底层流动动力学的先验知识。

“理解和控制壁面湍流长期以来一直是工程和科学发现中追求的目标，但从基本角度来看，还有很多未知之处，”高级作者、FAU系助理教授SiddharthaVerma博士说海洋与机械工程系。

“我们的研究结果表明，通过我们所做的具体修改，3DCNN与修改后的多层GradCAM技术相结合，对于分析非线性相关性和揭示湍流数据中存在的显着空间特征非常有用。”

研究人员采用的总体框架结合了3DCNN和新修改的多层GradCAM(梯度加权类激活映射)技术，该技术为CNN学习到的与壁面湍流中的喷射事件相关的关联提供了可解释的解释。

EricJagodinski博士表示：“虽然使用本研究中采用的技术进行识别是一个重要目标，但对这些连贯结构的控制和调节具有无数的科学和实际应用，例如减少船舶阻力或提高公用设施基础设施的效率。”.，FAU工程与计算机科学学院博士生，诺斯罗普·格鲁曼公司首席人工智能工程师。

“然而，由于相干结构固有的非线性演化，湍流的控制一直是一个具有挑战性的问题，因此准确识别它们至关重要。”

FAU研究人员修改了CNN架构和GradCAM技术，使其更适合分析湍流结构。他们使用修改后的CNN-GradCAM框架检查了间歇性喷射事件，已知这些事件会影响边界层内湍流动能的产生。

FAU工程与计算机科学学院院长StellaBatalama博士表示：“这项重要的研究利用深度学习为壁面湍流提供了新的认识。”“我们的研究人员开发的技术可以发现大规模复杂系统中的非线性关系，例如流体动力学模拟中经常发现的数据。”