Optimal Lattice Boltzmann Closures through Multi-Agent Reinforcement Learning

📄 arXiv: 2504.14422v1 📥 PDF

作者: Paul Fischer, Sebastian Kaltenbach, Sergey Litvinov, Sauro Succi, Petros Koumoutsakos

分类: physics.flu-dyn, cs.LG, physics.comp-ph, stat.ML

发布日期: 2025-04-19

💡 一句话要点

提出多智能体强化学习以优化格子玻尔兹曼闭合模型

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 格子玻尔兹曼方法 多智能体强化学习 流体动力学 卷积神经网络 模拟稳定性 能量谱恢复 计算效率

📋 核心要点

  1. 现有的欠分辨率格子玻尔兹曼方法（LBM）在稳定性和跨尺度泛化能力上存在显著不足，导致模拟结果不可靠。
  2. 本文提出了一种基于多智能体强化学习的闭合模型，通过卷积神经网络动态调整局部松弛参数，以提高模拟的稳定性和准确性。
  3. 实验结果显示，MARL闭合模型在湍流Kolmogorov流中有效恢复了能量谱，并在计算效率上优于传统LBM模型。

📝 摘要（中文）

格子玻尔兹曼方法（LBM）为模拟多种流体动力学现象提供了强大而灵活的手段。然而，由于系统固有的时空尺度广泛，完全分辨率的模拟在实践中变得不切实际，因此需要有效的闭合模型来处理欠分辨率的模拟。现有的欠分辨率LBM往往不稳定，且在跨尺度和物理系统的泛化能力上存在局限。本文提出了一种新颖的数据驱动的多智能体强化学习（MARL）方法，显著提高了粗粒度LBM模拟的稳定性和准确性。该方法利用卷积神经网络动态控制模拟网格上的局部松弛参数，展示了在湍流Kolmogorov流中的应用。实验结果表明，MARL闭合模型不仅稳定了模拟，还恢复了显著更昂贵的完全分辨率模拟的能量谱，同时保持了计算效率。

🔬 方法详解

问题定义：本文旨在解决欠分辨率格子玻尔兹曼方法（LBM）在模拟流体动力学现象时的稳定性和准确性问题。现有方法在不同物理系统和尺度间的泛化能力不足，导致模拟结果不可靠。

核心思路：论文提出了一种多智能体强化学习（MARL）方法，通过数据驱动的方式动态调整局部松弛参数，从而提高模拟的稳定性和准确性。该设计旨在利用深度学习的优势，自动学习适应不同流动场的闭合模型。

技术框架：整体架构包括数据采集、卷积神经网络训练和闭合模型应用三个主要模块。首先，通过模拟数据训练卷积神经网络，然后利用训练好的网络动态控制LBM的局部松弛参数，最后在实际流动场中应用该闭合模型。

关键创新：最重要的技术创新在于将多智能体强化学习与格子玻尔兹曼方法结合，形成了一种新的闭合模型。与传统LBM模型相比，MARL闭合模型在处理复杂流动场时展现出更高的稳定性和准确性。

关键设计：在网络结构上，采用卷积神经网络以提取空间特征，损失函数设计为结合能量谱恢复和稳定性指标的复合损失函数，以确保模型在训练过程中兼顾准确性和稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MARL闭合模型在湍流Kolmogorov流中的能量谱恢复效果显著，能够与完全分辨率的模拟结果相媲美，同时在计算效率上保持优势，展示了较传统LBM模型更好的鲁棒性和谱准确性。

🎯 应用场景

该研究的潜在应用领域包括微流体、气动设计以及其他复杂流动现象的模拟。通过提高模拟的稳定性和准确性，MARL闭合模型能够为工程和科学研究提供更可靠的工具，推动相关领域的发展。

📄 摘要（原文）

The Lattice Boltzmann method (LBM) offers a powerful and versatile approach to simulating diverse hydrodynamic phenomena, spanning microfluidics to aerodynamics. The vast range of spatiotemporal scales inherent in these systems currently renders full resolution impractical, necessitating the development of effective closure models for under-resolved simulations. Under-resolved LBMs are unstable, and while there is a number of important efforts to stabilize them, they often face limitations in generalizing across scales and physical systems. We present a novel, data-driven, multiagent reinforcement learning (MARL) approach that drastically improves stability and accuracy of coarse-grained LBM simulations. The proposed method uses a convolutional neural network to dynamically control the local relaxation parameter for the LB across the simulation grid. The LB-MARL framework is showcased in turbulent Kolmogorov flows. We find that the MARL closures stabilize the simulations and recover the energy spectra of significantly more expensive fully resolved simulations while maintaining computational efficiency. The learned closure model can be transferred to flow scenarios unseen during training and has improved robustness and spectral accuracy compared to traditional LBM models. We believe that MARL closures open new frontiers for efficient and accurate simulations of a multitude of complex problems not accessible to present-day LB methods alone.