[論文レビュー] Geodesic Convolutional Shape Optimization

Pierre Baqué, Edoardo Remelli+2 more|arXiv (Cornell University)|Feb 12, 2018

Advanced Numerical Analysis Techniques被引用数 26

ひとこと要約

本論文は、高速かつ高精度な空力形状最適化のための地図的畳み込みニューラルネットワーク（GCNN）に基づくサーモンモデルを提案する。3次元表面をポリキューブマップを用いて再メッシュ化することで、効率的なGPU加速推論と微分可能最適化を可能にし、2次元の翼型では最先端のガウス過程法を5–20%上回る性能を発揮するとともに、従来のパラメータ化依存的手法では取り扱えなかった複雑な3次元自動車形状の最適化を可能にする。

ABSTRACT

Aerodynamic shape optimization has many industrial applications. Existing methods, however, are so computationally demanding that typical engineering practices are to either simply try a limited number of hand-designed shapes or restrict oneself to shapes that can be parameterized using only few degrees of freedom. In this work, we introduce a new way to optimize complex shapes fast and accurately. To this end, we train Geodesic Convolutional Neural Networks to emulate a fluidynamics simulator. The key to making this approach practical is remeshing the original shape using a polycube map, which makes it possible to perform the computations on GPUs instead of CPUs. The neural net is then used to formulate an objective function that is differentiable with respect to the shape parameters, which can then be optimized using a gradient-based technique. This outperforms state- of-the-art methods by 5 to 20% for standard problems and, even more importantly, our approach applies to cases that previous methods cannot handle.

研究の動機と目的

• 従来のCFDベースの空力形状最適化における計算ボトル neck を克服すること。これは、形状変更ごとに高価な再シミュレーションを要するためである。
• 低次元かつ手作業で設計されたパラメータ化に依存せずに、複雑な3次元形状の勾配ベース最適化を可能にすること。
• 訓練中に見られなかった形状の多様な幾何形状にも一般化可能なサーモンモデルを開発すること。
• ポリキューブ再メッシュ化を用いることで、任意のメッシュ上で効率的なGPU計算を実現し、深層学習ベースの形状最適化を実用可能にする。

提案手法

• CFDシミュレーション（例：Ansys Fluent）を教師データとして用い、3次元表面メッシュから空力的力（例：抗力、圧力）を予測する地図的畳み込みニューラルネットワーク（GCNN）を訓練する。
• 元の形状をポリキューブマップを用いて再メッシュ化し、不規則なメッシュをGPU上で効率的なGCNN演算に適した構造的グリッドに変換する。
• 勾配逆伝播により訓練済みGCNNを通じて、頂点位置の関数として目的関数（例：抗力最小化）を微分可能関数として定式化する。
• GCNNで近似された目的関数に対して勾配ベース最適化（例：L-BFGS）を実行し、形状空間を効率的に探索する。
• 少数の実世界形状（例：自動車CADモデル）を用いて微fine-tuningすることで、GCNNの一般化性能を向上させるトランスファー学習を活用する。
• 21パラメータを持つ変形関数fCを用いて多様な訓練形状を生成し、未学習の幾何形状への一般化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 合成的で自動車に似ていない形状で学習したGCNNサーモンモデルは、実際の3次元自動車幾何形状の空力的性能を予測するのに一般化可能か？
• RQ2 GCNNベースの最適化は、従来のガウス過程（クリギング）法と比較して、精度および収束速度の面でどの程度優れているか？
• RQ3 提案手法は、パラメータ化ベース手法では不可能な高次元自由度を持つ複雑な3次元形状の最適化が可能か？
• RQ4 ポリキューブ再メッシュ化は、任意の3次元メッシュ上でGPU加速GCNN推論を実現し、形状最適化に有効に機能するか？
• RQ5 少数の実世界例でGCNNを微fine-tuningすることは、再訓練を始めずにターゲット幾何形状における性能を顕著に向上させるか？

主な発見

• GCNNベースの手法は、合成的テスト形状（SYNT-TEST）で77.2%の回帰精度を達成し、標準CNNを上回り、分布シフトに対しても頑健であることが示された。
• 実際の自動車形状（CARS-TEST）では、合成データでの事前学習後に51.5%の精度を達成し、実車例での微fine-tuningで70.3%まで向上した。
• 2次元NACA翼型最適化において、GCNN手法は最先端のGPベース手法よりも5–20%多く抗力を低減し、優れた最適化性能を示した。
• ネットワークが自動車を一度も見たことがないにもかかわらず、GCNNベースの最適化はたった50回のシミュレータ呼び出しで、GP手法よりも優れた抗力低減形状を発見した。
• 幾何的制約（例：乗客室・エンジンルーム）を満たす3次元自動車に類似した形状の最適化に成功し、100回のシミュレーション後には4.71の抗力係数を達成した。これは、GPオンライン手法（100回呼び出しで12.56の抗力）に比べ顕著に優れていた。
• ポリキューブ再メッシュ化の使用により、GPU上で効率的なGCNN推論が可能となり、従来のメッシュ畳み込みでは計算が著しく遅すぎて実用的でない分野においても本手法が実用的であることが実証された。