[論文レビュー] Compressed Convolutional LSTM: An Efficient Deep Learning framework to Model High Fidelity 3D Turbulence

Arvind Mohan, Don Daniel+2 more|arXiv (Cornell University)|Feb 28, 2019

Model Reduction and Neural Networks参考文献 44被引用数 59

ひとこと要約

著者らは Compressed ConvLSTM (CC-LSTM) を導入し、畳み込み自己エンコーダをConvLSTMと組み合わせて、3D乱流の低次元アトラクターを学習し、時空間の流れの実現を効率的に生成する。物理に基づく診断で検証。

ABSTRACT

High-fidelity modeling of turbulent flows is one of the major challenges in computational physics, with diverse applications in engineering, earth sciences and astrophysics, among many others. The rising popularity of high-fidelity computational fluid dynamics (CFD) techniques like direct numerical simulation (DNS) and large eddy simulation (LES) have made significant inroads into the problem. However, they remain out of reach for many practical three-dimensional flows characterized by extremely large domains and transient phenomena. Therefore designing efficient and accurate data-driven generative approaches to model turbulence is a necessity. We propose a novel training approach for dimensionality reduction and spatio-temporal modeling of the three-dimensional dynamics of turbulence using a combination of Convolutional autoencoder and the Convolutional LSTM neural networks. The quality of the emulated turbulent fields is assessed with rigorous physics-based statistical tests, instead of visual assessments. The results show significant promise in the training methodology to generate physically consistent turbulent flows at a small fraction of the computing resources required for DNS.

研究の動機と目的

• エンジニアリングと地球科学の応用分野でデータ駆動型・低コスト・高忠実度乱流モデリングの必要性を動機づける。
• 3D乱流フローの低次元アトラクターを学習するスケーラブルなフレームワークを開発する。
• データの圧縮と時空間ダイナミクスのモデル化を同時に行う訓練戦略を示す。
• 視覚的検査ではなく物理ベースの診断を用いて生成乱流の物理的忠実度を評価する。

提案手法

• CAE を用いて3D乱流のスナップショットを潜在空間に圧縮する。
• ConvLSTM を3D に拡張して潜在空間における時空間発展をモデル化する。
• CC-LSTM を2段階で訓練する: CAE に基づく次元削減の後、潜在空間の時間モデリングをConvLSTMで行う。
• CAE デコーダを用いて潜在予測を原データの3D場へ動的に復元する。
• 長時間予測を短い予測ホップから生成するために cyclic seeding アプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 CC-LSTM は潜在空間の縮約で3D乱流ダイナミクスを正確に捉えつつ、重要な空間相関を保持できるか？
• RQ2 エネルギースペクトル、速度勾配統計、Q-R平面などの物理ベースの診断は、再構成場に物理的に一貫した乱流を示しているか？
• RQ3 CAE ベースの圧縮は再構成品質と時間経過による予測安定性にどのような影響を与えるか？

主な発見

• CC-LSTM は圧縮潜在空間で動作することで大量のパラメータ削減を実現しつつ、重要な空間相関を失わない。
• CAE+ConvLSTM パイプラインは DNS 計算コストのごく一部で物理的に一貫した乱流場を生成できる。
• 物理ベースの診断は、圧縮表現が HIT および ScalarHIT データセットでエネルギースペクトルと速度勾配統計を概ね良好に再現することを示している。
• 圧縮比は HIT で z=125、ScalarHIT で z=20 まで達成され、再構成場の忠実度を許容範囲内で効果的に次元削減できることを示す。
• シードと循環予測により長時間予測を実現しつつ、単一GPUでの訓練を維持できる。