[論文レビュー] Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes

Alexandr Sedykh, Maninadh Podapaka+4 more|arXiv (Cornell University)|Apr 21, 2023

Model Reduction and Neural Networks参考文献 64被引用数 5

ひとこと要約

本稿では、Y字型ミキサーなどの複雑な3次元幾何形状における層流流れのシミュレーション精度を向上させるために、量子回路を古典的物理情報ニューラルネットワーク（PINN）に統合したハイブリッド量子物理情報ニューラルネットワーク（HQPINN）を提案する。HQPINNは、完全に古典的なPINNと比較して21%の損失低減を達成し、表現力の向上と計算流体力学における効率的な形状最適化の可能性を示している。

ABSTRACT

Finding the distribution of the velocities and pressures of a fluid by solving the Navier-Stokes equations is a principal task in the chemical, energy, and pharmaceutical industries, as well as in mechanical engineering and the design of pipeline systems. With existing solvers, such as OpenFOAM and Ansys, simulations of fluid dynamics in intricate geometries are computationally expensive and require re-simulation whenever the geometric parameters or the initial and boundary conditions are altered. Physics-informed neural networks are a promising tool for simulating fluid flows in complex geometries, as they can adapt to changes in the geometry and mesh definitions, allowing for generalization across fluid parameters and transfer learning across different shapes. We present a hybrid quantum physics-informed neural network that simulates laminar fluid flows in 3D Y-shaped mixers. Our approach combines the expressive power of a quantum model with the flexibility of a physics-informed neural network, resulting in a 21% higher accuracy compared to a purely classical neural network. Our findings highlight the potential of machine learning approaches, and in particular hybrid quantum physics-informed neural network, for complex shape optimization tasks in computational fluid dynamics. By improving the accuracy of fluid simulations in complex geometries, our research using hybrid quantum models contributes to the development of more efficient and reliable fluid dynamics solvers.

研究の動機と目的

• 複雑でパrameter化された幾何形状における流れをシミュレートする際、OpenFOAM や Ansys などの伝統的CFDソルバの計算非効率性と高コストなリソース消費を是正すること。
• 幾何形状や境界条件の変更に伴い、古典的ソルバが完全な再メッシュ化と再シミュレーションを必要とするという制限を克服すること。
• ハイブリッド量子物理情報ニューラルネットワーク（HQPINN）が、複雑な3次元領域における流れシミュレーションの精度と一般化性能を向上させられるかどうかを検討すること。
• 量子強化型ニューラルネットワークが、層流のナビエ＝ストークス方程式を解く際、古典的PINNを上回る性能を示す可能性があるかどうかを評価すること。
• 完全な再トレーニングなしに、わずかに変更された幾何形状への転送学習を可能とし、工学的設計における迅速な最適化を支援すること。

提案手法

• 本手法は、ナビエ＝ストークス方程式の速度場および圧力場を近似するための多層パーセプトロンを用いた物理情報ニューラルネットワーク（PINN）アーキテクチャを採用する。
• ハイブリッド量子回路がPINNに深さに応じた層として統合され、量子パラメータは古典的量子シミュレータ（QMwareサーバ）上でアドジョイント微分を用いて最適化される。
• 損失関数は、ナビエ＝ストークス方程式の残差と境界条件を組み合わせており、100エポックにわたるミニバッチAdam最適化により訓練が行われる。
• 量子コンponentは、単独の古典的ネットワークよりも複雑な関数近似を可能にすることで、モデルの表現力を向上させる。
• トレーニングポイントには固定グリッドサンプリング戦略が用いられ、学習率、バッチサイズ、スケジューラなどのハイパーパrameterは、古典的モデルとハイブリッドモデルの公平な比較のため共有される。
• 転送学習は、ある幾何形状で事前トレーニングされたモデルをわずかに変更された幾何形状にファインチューニングすることで実装され、完全な再トレーニングなしに迅速な適応が可能になる。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子物理情報ニューラルネットワーク（HQPINN）は、複雑な3次元幾何形状における層流流れのシミュレーションにおいて、完全に古典的なPINNよりも高い精度を達成できるか？
• RQ2 PINNに量子回路を統合することで、幾何的変化にわたるモデルの表現力と一般化性能がどの程度向上するか？
• RQ3 Y字型ミキサーにおいてナビエ＝ストークス方程式を解く際、HQPINNは古典的PINNと比較して損失低減をどの程度達成するか？
• RQ4 転送学習は、古典的ソルバが完全な再シミュレーションを必要とするのに対し、HQPINNでは新しい幾何形状に最小限の再トレーニングで効果的に適応できるか？
• RQ5 量子回路の使用は、複雑な境界値問題におけるPINNの消失解や収束不良といった問題を緩和できるか？

主な発見

• HQPINNは、完全に古典的なPINNと比較して21%低い損失値を達成し、ナビエ＝ストークス方程式の解の精度が顕著に向上していることを示している。
• PINNアーキテクチャに量子回路を統合することで、モデルの表現力が向上し、3次元Y字型ミキサーにおける複雑な流れ場の近似がより良好に行えるようになった。
• HQPINNは優れた一般化能力を示し、最小限の追加トレーニングで、転送学習により新しい幾何形状への迅速な適応が可能であった。
• モデルは、例えば角度αなどの異なる幾何パラメータに対しても安定した性能を維持しており、段階的な変更に伴い損失が継続的に低下した。
• 古典的量子シミュレータ上でアドジョイント微分を用いることで、量子回路層を介した効果的なバックプロパゲーションが可能となり、ハードウェア制限がある中でもトレーニングが実現可能であった。
• 結果から、ハイブリッド量子PINNは、精度を古典的モデル上回るとともに、幾何的およびパrametricな変化を効率的に扱える柔軟性を備えていることが示唆される。