[論文レビュー] A weighted first-order formulation for solving anisotropic diffusion equations with deep neural networks

Hui Xie, Chuanlei Zhai+2 more|arXiv (Cornell University)|Apr 29, 2022

Nanofluid Flow and Heat Transfer被引用数 10

ひとこと要約

本稿では、不連続な拡散テンソルを伴う異方性拡散方程式の深層ニューラルネットワーク解法の精度を向上させるため、重み付き1次形式を提案する。熱フラックスをテンソルの固有ベクトルに沿って分解し、界面付近で減少する重み関数を適用することで、特に不連続な場合の精度が向上するが、標準PINNと同等の計算効率を維持する。

ABSTRACT

In this paper, a new weighted first-order formulation is proposed for solving the anisotropic diffusion equations with deep neural networks. For many numerical schemes, the accurate approximation of anisotropic heat flux is crucial for the overall accuracy. In this work, the heat flux is firstly decomposed into two components along the two eigenvectors of the diffusion tensor, thus the anisotropic heat flux approximation is converted into the approximation of two isotropic components. Moreover, to handle the possible jump of the diffusion tensor across the interface, the weighted first-order formulation is obtained by multiplying this first-order formulation by a weighted function. By the decaying property of the weighted function, the weighted first-order formulation is always well-defined in the pointwise way. Finally, the weighted first-order formulation is solved with deep neural network approximation. Compared to the neural network approximation with the original second-order elliptic formulation, the proposed method can significantly improve the accuracy, especially for the discontinuous anisotropic diffusion problems.

研究の動機と目的

• 不連続な拡散テンソルを伴う異方性拡散問題を解く際、標準の物理情報付きニューラルネットワーク（PINNs）の精度が低いという問題に対処すること。
• 歪みや極めて異方的なメッシュで伝統的な有限体積法に限界があるのを、メッシュフリーな深層学習を活用して克服すること。
• 特に拡散テンソルが不連続となる材料界面を越えて、異方性熱フラックスの近似を改善すること。
• 不連続な拡散テンソルに対しても点ごとに定義された形式を保つことで、数値的安定性を確保すること。
• 高次元および複雑な異方性拡散問題における、本手法のロバスト性とスケーラビリティを示すこと。

提案手法

• 拡散テンソルの固有ベクトルに沿って、異方性熱フラックスを2つの成分に分解し、問題を2つの等方的フラックスの近似に変換する。
• 不連続界面付近で減少する重み関数を1次形式に掛け合わせることで、重み付き1次系を導入する。
• 重み関数の減少特性を活用し、不連続点においても形式が適切に定義され、安定性を確保する。
• 重み付き1次系を損失関数として用い、深層ニューラルネットワークを学習させることで、メッシュフリーかつ点ごとのPDE解を得る。
• 公平な比較と同等の効率を確保するため、標準PINNsと同一のニューラルネットワークアーキテクチャと学習設定を維持する。
• 定常状態および時間依存問題、3次元ケースを含め、スケーラビリティとロバスト性の妥当性を検証するために、本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 固有ベクトルに基づくフラックス分解を施した1次形式は、異方性拡散問題における深層ニューラルネットワーク解法の精度を向上させることができるか？
• RQ2 重み付き1次形式は、材料界面を越えて不連続な拡散テンソルをどのように処理するか？
• RQ3 不連続な異方性ケースにおいて、標準PINNと比べて顕著に精度を向上させながらも、計算効率を維持できるか？
• RQ4 回転または空間的に変化する異方性場において、本手法は主拡散方向に沿った熱フラックスの正確な一致を効果的に捉えることができるか？
• RQ5 特に3次元において、本手法は伝統的なメッシュベースのスキームと比較して、どのように性能を発揮するか？

主な発見

• 強不連続ケースにおいて、重み付き1次PINN（weighted FO-PINN）は離散的相対$L_2$-ノルム誤差が$6.90 \times 10^{-2}$にまで低下し、ベースラインPINNの$1.01$と比較して顕著な精度向上を示した。
• 局所的源を伴う回転した異方性拡散問題において、重み付きFO-PINNの解は参照となる有限体積法の解とよく一致しており、熱フラックスが主拡散方向に正しく整列していることが確認された。
• 空間依存の異方性拡散問題において、本手法は解のプロファイルを効果的に捉えており、文献に登録された既存の数値スキームと比較して最大解値が近い値を示した。
• 本手法は、同じニューラルネットワークアーキテクチャと学習手順を用いるため、標準PINNsと同等の計算効率を維持している。
• 3次元テスト結果から、次元の呪いに著しく影響を受けることなく、高次元PDEへの応用に有望であることが示された。
• 経験的に、不連続界面に対して重み関数の遷移幅$\epsilon = 0.01$が最適な精度をもたらすことが判明したが、滑らかなケースでは機械精度の設定で十分であることが確認された。