[論文レビュー] Error-Correcting Neural Networks for Two-Dimensional Curvature Computation in the Level-Set Method

Luis Ángel Larios-Cárdenas, Frédéric Gibou|arXiv (Cornell University)|Jan 22, 2022

Model Reduction and Neural Networks参考文献 73被引用数 2

ひとこと要約

本稿では、レベルセット法における2次元曲率計算のためのハイブリッド誤差補正ニューラルネットワークソルバを提案する。この手法は、円形および正弦波型インターフェースのサンプルを用いて訓練されたマルチレイヤーパーセプトロンを活用し、自由境界の頂点における数値的曲率近似を補正する。二重予測を用いて曲率の対称性を活用することで、データ拡張、次元削減、次元なしパrametrizationおよび確率的サブサンプリングを介したスケーラブルな訓練が可能となり、赤道点の再設定手順を2倍にしても、ベースラインの数値スキームを上回る高い精度を達成するとともに、著しく低い計算コストで実現する。

ABSTRACT

We present an error-neural-modeling-based strategy for approximating two-dimensional curvature in the level-set method. Our main contribution is a redesigned hybrid solver [Larios-C\'ardenas and Gibou, J. Comput. Phys. (May 2022), 10.1016/j.jcp.2022.111291] that relies on numerical schemes to enable machine-learning operations on demand. In particular, our routine features double predicting to harness curvature symmetry invariance in favor of precision and stability. The core of this solver is a multilayer perceptron trained on circular- and sinusoidal-interface samples. Its role is to quantify the error in numerical curvature approximations and emit corrected estimates for select grid vertices along the free boundary. These corrections arise in response to preprocessed context level-set, curvature, and gradient data. To promote neural capacity, we have adopted sample negative-curvature normalization, reorientation, and reflection-based augmentation. In the same manner, our system incorporates dimensionality reduction, well-balancedness, and regularization to minimize outlying effects. Our training approach is likewise scalable across mesh sizes. For this purpose, we have introduced dimensionless parametrization and probabilistic subsampling during data production. Together, all these elements have improved the accuracy and efficiency of curvature calculations around under-resolved regions. In most experiments, our strategy has outperformed the numerical baseline at twice the number of redistancing steps while requiring only a fraction of the cost.

研究の動機と目的

• 標準の数値スキームが失敗する、低解像度および非一様グリッドにおけるレベルセット法の曲率計算精度を向上させること。
• 高精度を維持しつつ、高コストな再設定手順への依存度を低減することで、計算コストを削減すること。
• 再トレーニングを必要とせずに、さまざまなメッシュ解像度に適応可能なスケーラブルで汎用性の高い機械学習フレームワークを構築すること。
• 正則化、対称性の保存、およびデータ拡張を用いて、曲率推定における不安定性と外れ値を是正すること。

提案手法

• マルチレイヤーパーセプトロン（Fκ(·)）を、インターフェース頂点における事前処理済みのレベルセット、勾配、および曲率データを用いて、数値的曲率推定の誤差を予測・補正するように訓練する。
• 二重予測を用いて、曲率の対称性不変性を活用し、補正プロセスの精度と安定性を向上させる。
• データ拡張には、負の曲率正規化、再方向化、および反射に基づく変換が含まれ、ニューラルネットワークの容量と一般化能力を向上させる。
• データ生成段階で次元なしパrametrizationおよび確率的サブサンプリングを用いることで、メッシュサイズにかかわらずスケーラビリティを確保する。
• レイヤー単位のL2正則化およびバランスの取れた設計技術を適用し、外れ値の影響を最小限に抑え、モデルのロバスト性を向上させる。
• MLCurvature()ルーチンは、訓練済みのネットワークをハイブリッドソルバに統合し、必要な場合にのみML補正を有効化することで、効率性を保持する。

実験結果

リサーチクエスチョン

• RQ1 赤道点の再設定コストを増加させることなく、データ駆動型誤差補正ニューラルネットワークがレベルセット法における曲率精度を向上させられるか？
• RQ2 曲率における対称性不変性は、ニューラル曲率推定の安定性と精度をどのように向上させるか？
• RQ3 確率的サブサンプリングや次元なしパrametrizationといったスケーラブルなデータ処理技術は、さまざまなメッシュ解像度にわたってモデル性能をどの程度維持できるか？
• RQ4 正則化およびデータ拡張は、低解像度インターフェースにおける一般化能力の向上と外れ値の低減に寄与するか？
• RQ5 ハイブリッドアプローチは、先行するMLベースの曲率ソルバーよりも、精度および計算コストの面で優れているか？

主な発見

• 提案されたMLCurvature()ソルバは、L1およびL∞ノルムの両方において数値ベースラインを上回り、全テスト解像度で平均絶対誤差（MAE）および最大絶対誤差（MaxAE）が低かった。
• グリッド解像度 h = 2⁻¹⁰ の場合、推定された曲率と期待される曲率との間に相関係数 0.99968 を達成し、真値とほぼ完全に一致していることを示した。
• 急勾配の花型インターフェースでは、h = 2⁻¹¹ であっても高い精度を維持し、フィットラインの勾配が 1.00219 であった。これは極端な低解像度下でも強靭性を示している。
• レイヤー単位のL2正則化および対称性を保全するデータ拡張により、外れ値の影響が低減され、モデルの一般化能力が向上した。
• 特に解像度が低く、曲率が複雑な領域において、先行するハイブリッドアプローチ [32] より優れた性能を発揮した。
• フレームワークはスケーラブルである。アルゴリズム2および3の入力定数を調整することで、高解像度グリッド用により多くの学習タプルを生成するトレーニングプロセスに適応可能である。