[論文レビュー] Deep Learning the Physics of Transport Phenomena

Amir Barati Farimani, Joseph Gomes+1 more|arXiv (Cornell University)|Sep 7, 2017

Model Reduction and Neural Networks被引用数 94

ひとこと要約

本論文は、条件付きGANが境界条件から定常状態の熱伝導および不可圧縮流体流の高忠実度解を直接生成できることを示し、<1% MAE未満かつ有限差分法より高速な性能を達成している。

ABSTRACT

We have developed a new data-driven paradigm for the rapid inference, modeling and simulation of the physics of transport phenomena by deep learning. Using conditional generative adversarial networks (cGAN), we train models for the direct generation of solutions to steady state heat conduction and incompressible fluid flow purely on observation without knowledge of the underlying governing equations. Rather than using iterative numerical methods to approximate the solution of the constitutive equations, cGANs learn to directly generate the solutions to these phenomena, given arbitrary boundary conditions and domain, with high test accuracy (MAE$

研究の動機と目的

• 境界条件だけから輸送現象の解を生成することをcGANが学習できることを実証する。
• 未知の領域幾何形状と境界条件へモデルが一般化できることを示す。
• 速度場、圧力場、温度場間の共有表現を通じて複数の物理量を結合することを示す。
• 従来のFD法と比較した精度と計算性能を評価する。

提案手法

• ドメインと境界条件から解場への写像を学習するために、U-Net生成器とPatchGAN判別器を備えた条件付きGANフレームワークを適用する。
• グリッドノード上のマルコフ確率場を学習する問題として扱い、判別器が局所的なPDE整合パッチを導く。
• 生成器にエンコーダ-デコーダCNNを用い、スキップ接続で粗い表現から高解像度の解を合成する。
• 熱伝達には64x64グリッド、流れには3チャネル（u, v, p）を持つ64x64グリッドで訓練し、計測用により大きいドメインのテストも行う。
• 現実性と忠実性のバランスを取るために、敵対損失とL1損失を組み合わせて生成器を最適化する。

実験結果

リサーチクエスチョン

• RQ1 境界条件だけからPDE知識を明示的に用いずに、cGANが定常温度場を生成することを学習できるか？
• RQ2 速度境界条件のみから、不可圧縮流体の速度・圧力・流れパターンを正確に予測できるか？
• RQ3 学習された物理モデルは未知の幾何形状と境界条件へ一般化できるか？
• RQ4 cGANの性能は精度と計算時間の点で有限差分法と比較してどうか？

主な発見

• 熱伝達のcGANはテストデータで平均絶対誤差（MAE）が1％未満を達成する。
• 流れの予測は、テストケース全体で速度場と圧力場の高い精度を示し、真の値と良い一致を示した。
• 判別器は局所的なPDE整合パッチを学習し、生成解における支配方程式の関係を効果的に強制した。
• 生成解は、テストした格子サイズで従来のFDソルバーより1桁以上速い。
• テストデータ全体で、熱伝達のMAEは0.7226°C（相対で1%未満）、速度と圧力の誤差は厳密なRMSD上限内である。
• このフレームワークは未知の領域幾何と境界条件に一般化し、共有表現を通じて複数の物理を結合できる。