Uncertainty-Aware Flow Field Reconstruction Using SVGP Kolmogorov-Arnold Networks

📄 arXiv: 2512.22426v1 📥 PDF

作者: Y. Sungtaek Ju

分类: physics.flu-dyn, cs.LG

发布日期: 2025-12-27

备注: 36 pages, 11 figures, submitted for publication in a journal

💡 一句话要点

提出基于SVGP-KAN的不确定性感知流场重建方法，解决时序稀疏数据下的流场重建问题。

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 流场重建 不确定性量化 稀疏变分高斯过程 Kolmogorov-Arnold网络 时序数据 热流体系统 PIV 数据驱动

📋 核心要点

  1. 现有流场重建方法在时序稀疏数据下表现不佳，且缺乏有效的不确定性量化手段，限制了其在复杂热流体系统中的应用。
  2. 论文提出基于SVGP-KAN的流场重建框架，利用稀疏变分高斯过程和Kolmogorov-Arnold网络，实现不确定性感知的流场重建。
  3. 实验结果表明，该方法在重建精度上与传统方法相当，同时提供了良好校准的不确定性估计，为实验设计提供指导。

📝 摘要（中文）

本文提出了一种基于SVGP Kolmogorov-Arnold网络（SVGP-KAN）的不确定性感知流场重建机器学习框架，用于从时序稀疏的速度测量数据中重建时变流场，这对于表征许多复杂的热流体系统至关重要。该方法扩展了线性随机估计（LSE）和谱分析模态方法（SAMM）的经典基础，并实现了原则性的认知不确定性量化。通过脉冲射流的合成数据，在0.5%到10%的不同PIV采样率下，将该框架与经典重建方法以及卡尔曼滤波进行了系统比较。评估指标包括重建误差、泛化差距、结构保持和不确定性校准。结果表明，SVGP-KAN方法实现了与现有方法相当的重建精度，同时提供了良好校准的不确定性估计，可靠地指示了预测何时以及何处退化。该研究展示了一个鲁棒的、数据驱动的流场重建框架，具有有意义的不确定性量化，并为周期流中的实验设计提供了实用的指导。

🔬 方法详解

问题定义：论文旨在解决从时序稀疏的速度测量数据中重建时变流场的问题。现有方法，如线性随机估计（LSE）和谱分析模态方法（SAMM），在处理非线性、高维流场时存在局限性，并且通常缺乏对重建结果不确定性的有效量化。这种不确定性的缺失会影响对流场特征的准确理解和后续分析。

核心思路：论文的核心思路是将稀疏变分高斯过程（SVGP）与Kolmogorov-Arnold网络（KAN）相结合，构建一个能够进行不确定性量化的流场重建模型。SVGP能够提供对模型预测的不确定性估计，而KAN则能够有效地逼近复杂的非线性函数，从而更好地捕捉流场的动态特性。通过这种结合，模型既能保证重建精度，又能提供可靠的不确定性信息。

技术框架：该框架主要包含以下几个阶段：1) 数据预处理：对原始速度测量数据进行清洗和标准化。2) 模型构建：构建基于SVGP-KAN的流场重建模型。KAN作为SVGP的非线性映射函数，负责学习流场的复杂模式。3) 模型训练：使用观测数据训练SVGP-KAN模型，优化模型参数。4) 流场重建与不确定性量化：利用训练好的模型重建流场，并同时获得重建结果的不确定性估计。5) 评估与验证：使用独立的测试数据评估重建精度和不确定性校准。

关键创新：该论文的关键创新在于将SVGP与KAN相结合，用于流场重建。传统的流场重建方法通常不具备不确定性量化能力，而SVGP-KAN框架能够提供对重建结果的置信度评估，这对于理解流场特征和进行后续分析至关重要。此外，KAN的使用使得模型能够更好地逼近复杂的非线性流场。

关键设计：在模型设计方面，KAN的网络结构需要根据具体流场的复杂程度进行调整。损失函数通常包括重建误差和正则化项，以防止过拟合。SVGP的关键参数包括诱导变量的数量和位置，这些参数的选择会影响模型的性能和计算复杂度。在训练过程中，需要仔细调整学习率和优化算法，以确保模型能够收敛到最优解。

📊 实验亮点

实验结果表明，SVGP-KAN方法在脉冲射流的合成数据上，实现了与LSE和SAMM等经典方法相当的重建精度。更重要的是，该方法能够提供良好校准的不确定性估计，能够可靠地指示预测何时以及何处退化。在不同PIV采样率（0.5%到10%）下，该方法均表现出良好的鲁棒性。

🎯 应用场景

该研究成果可应用于航空航天、能源、化工等领域，例如飞行器气动性能分析、燃烧过程优化、反应器设计等。通过不确定性量化，可以提高对复杂流体系统行为的理解和预测能力，从而优化系统设计和运行，降低成本并提高效率。未来可扩展到其他时空数据重建问题，例如气候预测、医学影像重建等。

📄 摘要（原文）

Reconstructing time-resolved flow fields from temporally sparse velocimetry measurements is critical for characterizing many complex thermal-fluid systems. We introduce a machine learning framework for uncertainty-aware flow reconstruction using sparse variational Gaussian processes in the Kolmogorov-Arnold network topology (SVGP-KAN). This approach extends the classical foundations of Linear Stochastic Estimation (LSE) and Spectral Analysis Modal Methods (SAMM) while enabling principled epistemic uncertainty quantification. We perform a systematic comparison of our framework with the classical reconstruction methods as well as Kalman filtering. Using synthetic data from pulsed impingement jet flows, we assess performance across fractional PIV sampling rates ranging from 0.5% to 10%. Evaluation metrics include reconstruction error, generalization gap, structure preservation, and uncertainty calibration. Our SVGP-KAN methods achieve reconstruction accuracy comparable to established methods, while also providing well-calibrated uncertainty estimates that reliably indicate when and where predictions degrade. The results demonstrate a robust, data-driven framework for flow field reconstruction with meaningful uncertainty quantification and offer practical guidance for experimental design in periodic flows.