RECAST: A Machine-Learning Framework for Correction and Super-Resolution of Coarse-Grid PDE Solvers
Di cosa parla
Si cerca di recuperare la precisione persa quando si eseguono simulazioni di equazioni che descrivono come cambiano nel tempo grandezze come temperatura o velocità (equazioni differenziali alle derivate parziali, dette PDE) usando griglie spaziali molto grossolane per risparmiare calcolo. RECAST è un sistema che impara a correggere la simulazione mentre procede e a ricostruire il risultato come se fosse stato calcolato su una griglia più fine; nei test mantiene la soluzione vicina alla versione di riferimento e riduce l’errore rispetto alla simulazione non corretta.
Cosa permette di osservare
Consente di esplorare se l’apprendimento automatico può compensare la perdita di dettaglio nelle simulazioni numeriche, permettendo di capire meglio il compromesso tra minor costo di calcolo e fedeltà della soluzione nei modelli che descrivono fenomeni spaziali e temporali.
Dalla fonte
Coarse-grid numerical solvers can substantially reduce the computational cost of time-dependent PDE simulation, but under-resolution often degrades both the trajectory and the spatial fidelity of the solution. We introduce RECAST (Recurrent Error Correction And Super-resolution of coarse-grid Trajectories), a machine-learning framework designed to restore this lost accuracy while retaining coarse-grid evolution. RECAST combines learned correction within the numerical time-stepping loop with reconstruction of the corresponding fine-grid state from the corrected coarse history. We evaluate the framework on six one-dimensional PDE systems spanning transport, diffusion, dispersion, reaction, and wave dynamics, using spatial grids coarsened by factors of 8-16 and 1000-step closed-loop rollouts from unseen initial conditions. Across the test cases, RECAST remains closely aligned with the fine…