[論文レビュー] DeepClouds.ai: Deep learning enabled computationally cheap direct numerical simulations

Moumita Bhowmik, Manmeet Mahinderjit Singh+2 more|arXiv (Cornell University)|Aug 18, 2022

Meteorological Phenomena and Simulations被引用数 8

ひとこと要約

DeepClouds.aiは、ナビエ-ストークス方程式を解かずに小スケールDNS出力を大スケール領域へ拡張する能力を学習することで、計算的に効率的で大域的な直接数値シミュレーション（DNS）を可能にする3D-UNET深層学習モデルを導入した。このフレームワークは、速度および水蒸気混合比プロファイルの高精度なシミュレーションを実現し、雲微物理学および数値的気象予測の発展に向けた従来のDNSのスケーラブルな代替手段を提供する。

ABSTRACT

Simulation of turbulent flows, especially at the edges of clouds in the atmosphere, is an inherently challenging task. Hitherto, the best possible computational method to perform such experiments is the Direct Numerical Simulation (DNS). DNS involves solving non-linear partial differential equations for fluid flows, also known as Navier-Stokes equations, on discretized grid boxes in a three-dimensional space. It is a valuable paradigm that has guided the numerical weather prediction models to compute rainfall formation. However, DNS cannot be performed for large domains of practical utility to the weather forecast community. Here, we introduce DeepClouds.ai, a 3D-UNET that simulates the outputs of a rising cloud DNS experiment. The problem of increasing the domain size in DNS is addressed by mapping an inner 3D cube to the complete 3D cube from the output of the DNS discretized grid simulation. Our approach effectively captures turbulent flow dynamics without having to solve the complex dynamical core. The baseline shows that the deep learning-based simulation is comparable to the partial-differential equation-based model as measured by various score metrics. This framework can be used to further the science of turbulence and cloud flows by enabling simulations over large physical domains in the atmosphere. It would lead to cascading societal benefits by improved weather predictions via advanced parameterization schemes.

研究の動機と目的

• 直接数値シミュレーション（DNS）を大規模な大気領域で実行することが計算リソースの高コストなため、実行不可能であるという問題に対処する。
• 小スケールの雲微物理学と大スケールの大気力学の間のギャップを埋めるために、スケーラブルなDNSに類似したシミュレーションを可能にする。
• ナビエ-ストークス方程式を解かずに、小スケールDNS領域を大規模な物理的領域へ拡張する能力を学習するデータ駆動型深層学習フレームワークを開発する。
• 今後のデータ駆動型DNSにおける大気乱流および雲プロセスの研究のためのベンチマークフレームワークを提供する。
• 降水量形成に重要な微物理的プロセスの高解像度シミュレーションを可能にすることで、数値的気象予測を強化する。

提案手法

• 小さな3D-DNSグリッド（A）を、それらを内包するより大きな周囲の領域（B）にマッピングする3D-UNETアーキテクチャを訓練する。
• 上昇する雲乱流の高精度DNSシミュレーションをトレーニングデータとして使用し、速度、圧力、水蒸気混合比の場を捉える。
• 3次元畳み込み層を活用して、3次元空間における乱流場の空間的依存性をモデル化し、物理的現実性を再現する。
• 予測値とDNSとの間の速度成分（u, v）、圧力、および水蒸気混合比（q_v）の差を最小化する損失関数を最適化に用いる。
• 段階的に大きな領域をシミュレートできるように、再帰的に推論を実行することで、大気雲力学のスケーラブルなシミュレーションを可能にする。
• 生成された流れ場において質量保存および断熱的条件を保持することで、物理的一致性を確保する。

実験結果

リサーチクエスチョン

• RQ1 ナビエ-ストークス方程式を解かずに、小スケールDNS出力を大域的な乱流雲流れに正確に拡張できるか？
• RQ2 3D-UNETは、DNSと比較して上昇雲系における非一様な乱流速度プロファイルおよび湿潞性分布をどの程度正確に捉えられるか？
• RQ3 モデルは、水滴蒸発に起因する領域境界付近での高水蒸気混合比という、重要な物理的特徴をどの程度保持できるか？
• RQ4 このフレームワークは、大気科学の応用分野において、従来のDNSのスケーラブルで計算コストの低い代替手段として機能できるか？
• RQ5 モデルの性能は、速度分散や混合比プロファイルといった複数の流れ指標に関して、DNSと定量的にどの程度同等か？

主な発見

• 3D-UNETモデルは、流れ方向（u）および横方向（v）の両速度成分において、空間的分布および強度の点でDNSと一致する非一様な乱流構造を的確に捉えている。
• モデルは、DNSで観察された水滴蒸発に起因する領域境界付近での水蒸気混合比（q_v）の特徴的な増加を再現している。
• 予測されたq_vプロファイルはDNS出力と高く類似しており、縁に高い混合比、中心部に低い値が見られるという特徴から、微物理的フィードバックの正確なシミュレーションが示されている。
• モデルは、時間ステップ間での湿気保存を維持することで、断熱的条件を保持し、物理的一致性を保っている。
• 視覚的および定量的比較により、上昇運動に起因する速度勾配や水滴相互作用に起因する複雑な流れダイナミクスをモデルが的確に捉えていることが確認された。
• フレームワークは、小スケールDNSデータのみを用いて大規模領域の再帰的シミュレーションを可能にし、スケーラブルで低コストなDNSに類似したシミュレーションの実現可能性を示している。