[論文レビュー] Accelerating Eulerian Fluid Simulation With Convolutional Networks

Jonathan Tompson, Kristofer Schlachter+2 more|arXiv (Cornell University)|Jul 13, 2016

Computer Graphics and Visualization Techniques参考文献 25被引用数 296

ひとこと要約

この論文は、オイラー流体シミュレーションの圧力投影ステップを近似するデータ駆動型畳み込みネットワークを提案し、競争力のある精度と安定性を保ちながら、リアルタイムの2D/3Dシミュレーションを実現します。學習を無監督の発散最小化として枠組み、Jacobiより大幅なスピードアップとPCGと比較可能な結果を示します。

ABSTRACT

Efficient simulation of the Navier-Stokes equations for fluid flow is a long standing problem in applied mathematics, for which state-of-the-art methods require large compute resources. In this work, we propose a data-driven approach that leverages the approximation power of deep-learning with the precision of standard solvers to obtain fast and highly realistic simulations. Our method solves the incompressible Euler equations using the standard operator splitting method, in which a large sparse linear system with many free parameters must be solved. We use a Convolutional Network with a highly tailored architecture, trained using a novel unsupervised learning framework to solve the linear system. We present real-time 2D and 3D simulations that outperform recently proposed data-driven methods; the obtained results are realistic and show good generalization properties.

研究の動機と目的

• 不可圽のオイラー/ナビエ-ストークス枠組みでPoisson圧力方程式の解く計算負荷を削減し、リアルタイムな流体シミュレーションを動機づける。
• 演算子分割型のオイラー流 Solver内の圧力解を近似するデータ駆動型畳み込みネットワークを開発する。
• 固定計算予算の下で長期的な安定性と発散のない速度場を保証する。
• グラウンドトゥルース圧力ターゲットを避けられるよう、無監督学習を活用し、複数フレームの損失増強を可能にする。

提案手法

• 圧力投影を学習済み線形解法として定式化する: p_t = f_conv( input divergence ∇·u*, geometry g_{t-1} ) および û_t = u*_t − (1/ρ)∇p_t を得る。
• 長期的な影響を捉え、単純解を防ぐために圧力ボトルネックを備えた完全畳み込み、多解像度アーキテクチャを使用する。
• 予測速度の発散を最小化する無監督損失で学習し、安定性向上のために複数の将来ステップへ拡張する可能性を含む。
• 入力を u* の標準偏差でスケール正規化し、グローバルなスケール不変性を課す。
• オイラー系フレームワーク内で、標準的な対流、体積力、渦度制約との互換性を維持する。

実験結果

リサーチクエスチョン

• RQ1 長いシーケンスにわたって安定で発散のない速度場を維持しつつ、圧力解のCNNベースの代理ソルバーはリアルタイム性能を達成できるか。
• RQ2 ドメイン特化型ConvNetアーキテクチャと組み合わせた無監督発散最小化は、見たことのないジオメトリや流れに一般化するか。
• RQ3 データ駆動圧力投影は、2D/3Dシミュレーションにおける速度と視覚的忠実度の点で Jacobi および PCG ソルバーとどのように比較されるか。

主な発見

ジオメトリ	PCG	Jacobi	小型モデル	本手法
No geom	<1e-3	2.44	3.436	2.482
With geom	<1e-3	1.235	1.966	0.872

• 本手法は Jacobi よりもリアルタイムな圧力投影を実現し、複雑な plume およびジオメトリのシナリオで PCG に対して競争力のある結果を示す。
• 圧力ボトルネックを備えた多解像度 ConvNet は、長距離の圧力効果を効果的にモデル化し、時間ステップ間の安定性を維持する。
• 複数フレーム発散最小化を含む無監督学習は、単一フレーム学習より長期的な発散性能を改善する。
• 学習済みベースラインと比較して、本手法は未見ジオメトリへの一般化性能が高く、3D煙シミュレーションにおいても妥当な物理挙動を維持する。
• 従来の圧力解法のドロップイン置換を可能にし、GPUハードウェアで顕著なスピードアップを提供する。