[論文レビュー] Artificial intelligence for partial differential equations in computational mechanics: A review

Yizheng Wang, Jinshuai Bai+10 more|arXiv (Cornell University)|Oct 21, 2024

Model Reduction and Neural Networks被引用数 15

ひとこと要約

この論文は、計算力学における偏微分方程式（PDE）に対する AI を調査し、PINNs、DEM、operator learning、PINO を網羅し、固体、流体、生体力学への応用について述べ、前方問題と逆問題、および foundation-model の展望を論じる。

ABSTRACT

In recent years, Artificial intelligence (AI) has become ubiquitous, empowering various fields, especially integrating artificial intelligence and traditional science (AI for Science: Artificial intelligence for science), which has attracted widespread attention. In AI for Science, using artificial intelligence algorithms to solve partial differential equations (AI for PDEs: Artificial intelligence for partial differential equations) has become a focal point in computational mechanics. The core of AI for PDEs is the fusion of data and partial differential equations (PDEs), which can solve almost any PDEs. Therefore, this article provides a comprehensive review of the research on AI for PDEs, summarizing the existing algorithms and theories. The article discusses the applications of AI for PDEs in computational mechanics, including solid mechanics, fluid mechanics, and biomechanics. The existing AI for PDEs algorithms include those based on Physics-Informed Neural Networks (PINNs), Deep Energy Methods (DEM), Operator Learning, and Physics-Informed Neural Operator (PINO). AI for PDEs represents a new method of scientific simulation that provides approximate solutions to specific problems using large amounts of data, then fine-tuning according to specific physical laws, avoiding the need to compute from scratch like traditional algorithms. Thus, AI for PDEs is the prototype for future foundation models in computational mechanics, capable of significantly accelerating traditional numerical algorithms.

研究の動機と目的

• データと物理法則を統合することで、計算力学における複雑な PDE を解く有望なアプローチとして AI4PDEs を動機付ける。
• 主要な AI for PDEs アルゴリズム（PINNs、DEM、operator learning、PINO）とその理論的基盤を要約・比較する。
• 固体、流体、生体力学における前方問題および逆問題の応用を強調する。
• 計算力学における foundation models を含む課題、限界、今後の方向性を論じる。

提案手法

• Physics-Informed Neural Networks (PINNs) を、PDE の代理解法として、強形式およびエネルギー形式で説明する。
• Deep Energy Method (DEM) を、最小ポテンシャルエネルギーの原理に基づくエネルギー形式の PINN の変種として説明する。
• DeepONet、Fourier Neural Operator など、PDE の入力と出力の写像を学習するオペレータ学習アプローチを要約する。
• Physics-Informed Neural Operators (PINO) を紹介する。
• AI4PDEs を支えるデータと物理の統合パラダイムを提示し、離散化不変性と自動微分の利点について論じる。
• PDE 残差、境界条件/初期条件、およびデータ項を結合する核となる方程式と損失関数構造を概説する。

実験結果

リサーチクエスチョン

• RQ1 主要な AI4PDEs アルゴリズムは何で、それらは定式化と適用性の点でどのように異なるのか？
• RQ2 PDE の AI が従来の数値手法と比較して計算力学をどのように加速できるか？
• RQ3 固体、流体、生体力学における前方問題と逆問題において、PINNs、DEM、operator learning、PINO の長所と限界は何か？
• RQ4 計算力学における AI4PDEs における foundation models の潜在的役割は何か、そしてどのような課題が生じ得るか？

主な発見

• PINNs は、強形式またはエネルギー形式の残差損失を介して物理法則を強制することで、柔軟な半教師ありフレームワークを提供し、逆問題への適応も容易である。
• DEM (deep energy method) は変分原理を利用してハイパーパラメータを減らし、強形式 PINN よりも効率を向上させる可能性がある。
• Operator learning（例: DeepONet、FNO）は、PDE 解の高速・離散化不変な写像を可能にし、特に大規模データ量で有効である。
• Physics-informed neural operators (PINO) は、オペレータ学習と物理方程式を組み合わせることで、あいまいな物理や限られたデータに対処し、新しい条件への迅速な適応を実現する。
• AI4PDEs は、データ駆動の代理解と物理法則を組み合わせることで、PDE ソルビングを劇的に加速し、ある文脈では従来法より数千倍から数万倍速くなる可能性がある。
• PINNs およびオペレータベース手法は、データ要件、最適化の非凸性、ハイパーパラメータ調整、問題全体での頑健性と精度の確保といった課題に直面する。