[論文レビュー] Geometry-Informed Neural Operator for Large-Scale 3D PDEs

Zongyi Li, Nikola Kovachki+9 more|arXiv (Cornell University)|Sep 1, 2023

Model Reduction and Neural Networks被引用数 31

ひとこと要約

GINOはグラフベースとフーリエ神経演算子を符号付き距離関数と組み合わせて、さまざまな形状での大規模PDEの解決演算子を学習し、巨大な速度アップと競争力のある精度を実現します。

ABSTRACT

We propose the geometry-informed neural operator (GINO), a highly efficient approach to learning the solution operator of large-scale partial differential equations with varying geometries. GINO uses a signed distance function and point-cloud representations of the input shape and neural operators based on graph and Fourier architectures to learn the solution operator. The graph neural operator handles irregular grids and transforms them into and from regular latent grids on which Fourier neural operator can be efficiently applied. GINO is discretization-convergent, meaning the trained model can be applied to arbitrary discretization of the continuous domain and it converges to the continuum operator as the discretization is refined. To empirically validate the performance of our method on large-scale simulation, we generate the industry-standard aerodynamics dataset of 3D vehicle geometries with Reynolds numbers as high as five million. For this large-scale 3D fluid simulation, numerical methods are expensive to compute surface pressure. We successfully trained GINO to predict the pressure on car surfaces using only five hundred data points. The cost-accuracy experiments show a $26,000 imes$ speed-up compared to optimized GPU-based computational fluid dynamics (CFD) simulators on computing the drag coefficient. When tested on new combinations of geometries and boundary conditions (inlet velocities), GINO obtains a one-fourth reduction in error rate compared to deep neural network approaches.

研究の動機と目的

• 異なる形状とメッシュを持つPDEの解決演算子を学習する動機づけ。
• 不規則な入力を扱い、離散化収束を維持する幾何情報を取り込んだアーキテクチャを開発する。
• 局所的なGNOカーネルとグローバルなFNOカーネルを結合して大規模な効率性を達成する。
• 実際の3D形状で予測精度を保ちつつ、GPUベースのCFDソルバーに対して速度向上をデモンストレーションする。

提案手法

• 不規則な形状（点群 + 符号付き距離関数）をGNOエンコーダで正規化した潜在グリッドへエンコードする。
• 潜在グリッド上で一連の Fourier neural operator (FNO) 層を適用してグローバルカーネルを統合する。
• GNOベースのデコーダによりターゲット形状へデコードし、不規則なメッシュ上の出力を問合せ可能にする。
• 形状、外力、境界データをソリューション（例：表面圧力）へマッピングするよう、End-to-Endで訓練する。
• GPUハッシュテーブルベースの近傍探索を用いてグラフ構築とカーネル統合を高速化する。

実験結果

リサーチクエスチョン

• RQ1 GINOは、形状をPDE解へマッピングする離散化収束する演算子を、異なるグリッドやメッシュで学習できるか。
• RQ2 局所的なGNOカーネルとグローバルなFNOカーネルの組み合わせは、大規模な3D CFDデータでどう機能するか。
• RQ3 従来のCFDソルバーや他のニューラル演算子と比較して、GINOの速度向上と精度のトレードオフはどうか。
• RQ4 GINOはゼロショット超解像と未知の幾何形状での効率的な評価をサポートするか。

主な発見

Model	training error	test error
GNO	18.16%	18.77%
Geo-FNO (sphere)	10.79%	15.85%
UNet (interp)	12.48%	12.83%
FNO (interp)	9.65%	9.42%
GINO (encoder-decoder)	7.95%	9.47%
GINO (decoder)	6.37%	7.12%
MeshGraphNet	9.08%	13.88%
UNet (interp)	9.93%	11.16%
FNO (interp)	12.97%	12.59%
GINO (encoder-decoder)	9.36%	9.01%
GINO (decoder)	9.34%	8.31%

• GINOはAhmed-body形状の大規模データに対してGPU OpenFOAMと比較してドラッグ係数の計算で最大26,000xのスピードアップを達成。
• Shape-Net Carデータでは、GINO encoder-decoderが訓練誤差7.95%、テスト誤差9.47%、デコーダーのみの変種が訓練誤差6.37%、テスト誤差7.12%。
• Ahmed-bodyデータでは、GINO encoder-decoderが訓練誤差9.36%、テスト誤差9.01%、デコーダーのみの変種が訓練誤差9.34%、テスト誤差8.31%。
• GINOは1回の評価を0.1秒で実行可能で、ケースあたり時間が数時間かかる従来のCFDソルバーに対して大規模な速度優位性を実現。
• 離散化収束とゼロショット超解像の解析では、潜在グリッド解像度と入力/出力サンプリング率に対して安定した誤差を示し、粗いメッシュで訓練した場合でも堅牢な性能を示す。