[論文レビュー] A Denoising Diffusion Model for Fluid Field Prediction

Gefan Yang, Stefan Sommer|arXiv (Cornell University)|Jan 27, 2023

Lattice Boltzmann Simulation Studies被引用数 12

ひとこと要約

FluidDiff はノイズ除去型拡散確率モデルを用いて、初期条件から高次元の流体場を推定します。明示的な支配方程式を必要とせず、2D浮遊・煙タスクで他のDLベースの流体予測モデルと競合する性能を示します。

ABSTRACT

We propose a novel denoising diffusion generative model for predicting nonlinear fluid fields named FluidDiff. By performing a diffusion process, the model is able to learn a complex representation of the high-dimensional dynamic system, and then Langevin sampling is used to generate predictions for the flow state under specified initial conditions. The model is trained with finite, discrete fluid simulation data. We demonstrate that our model has the capacity to model the distribution of simulated training data and that it gives accurate predictions on the test data. Without encoded prior knowledge of the underlying physical system, it shares competitive performance with other deep learning models for fluid prediction, which is promising for investigation on new computational fluid dynamics methods.

研究の動機と目的

• 明示的な物理法則なしにデータ駆動による複雑な流体フローの予測を動機づける。
• 条件付き流体場予測のためのノイズ除去拡散モデル（FluidDiff）を開発する。
• FluidDiff が訓練データの分布を学習し、正確なテスト予測を生成できることを示す。
• 2D煙ケースにおける他の深層学習モデルと比べて流体予測の性能で競争力を示す。

提案手法

• 空間/時間情報を含む条件付け y を用いた条件付きのノイズ除去拡散過程 p(x|y) として流体場予測を定式化する。
• Resnet風ブロックを備えた U-Net ボトムアップ、トランスフォーマー、および拡散時間埋め込みを用いてノイズ成分 ε_θ を予測する。
• forward ノイズ付加過程で加えられた真のノイズと予測ノイズを一致させる単純な L2 目的関数（ddpm simple loss）で訓練する。
• Transformer 入力と同様の正弦波位置埋め込みを用いて拡散ステップ t をエンコードする。
• ノイズ状態 x_t を条件付け y と連結し、多チャネルネットワークに通して ε_θ を出力する。
• 訓練（Algorithm 1）とサンプリング（Algorithm 2）手順を実装してノイズから予測を生成する。

実験結果

リサーチクエスチョン

• RQ1 条件付きノイズ除去拡散モデルは、流体場データの分布を捉え、与えられた初期条件の下で正確な予測を生成できるか？
• RQ2 FluidDiff は2D 浮力煙ケースにおける速度場予測で、cGAN、PINN、U-Net など他の DL ベース手法と比べてどの程度性能を示すか？
• RQ3 明示的な物理法則を伴わない拡散ベースの流体予測の安定性と物理的妥当性の特徴は何か？

主な発見

モデル	MAE	RMSE
cGAN	0.4030	0.5749
PINN	0.1324	0.1767
U-Net	0.3894	0.5603
FluidDiff	0.1975	0.3137

• FluidDiff は訓練データの分布を学習し、テストデータでの短期的な速度予測を妥当なものとして生成できる。
• cGAN、PINN、U-Net と比較して、FluidDiff は MAE と RMSE で競争力を持つが、物理がエンコードされている場合は PINN が最も正確である。
• FluidDiff は長期予測で誤差が大きくなることを示しており、異なる初期条件間で同じ終状態を識別する際の課題を示唆している。
• モデルは明示的な物理制約が不足しているため、時には大きな速度成分など物理的一貫性のない予測を出すことがあるが、実験ではこれが広範ではない。