[論文レビュー] Lat-Net: Compressing Lattice Boltzmann Flow Simulations using Deep Neural Networks

Oliver Hennigh|arXiv (Cornell University)|May 25, 2017

Lattice Boltzmann Simulation Studies参考文献 14被引用数 66

ひとこと要約

Lat-NetはLattice Boltzmann simulationsを学習によるコンパクトな潜在表現とダイナミクスを用いて圧縮し、より高速でメモリ効率の良い流体および電磁気シミュレーションを実現し、より大きなグリッドへスケール可能です。

ABSTRACT

Computational Fluid Dynamics (CFD) is a hugely important subject with applications in almost every engineering field, however, fluid simulations are extremely computationally and memory demanding. Towards this end, we present Lat-Net, a method for compressing both the computation time and memory usage of Lattice Boltzmann flow simulations using deep neural networks. Lat-Net employs convolutional autoencoders and residual connections in a fully differentiable scheme to compress the state size of a simulation and learn the dynamics on this compressed form. The result is a computationally and memory efficient neural network that can be iterated and queried to reproduce a fluid simulation. We show that once Lat-Net is trained, it can generalize to large grid sizes and complex geometries while maintaining accuracy. We also show that Lat-Net is a general method for compressing other Lattice Boltzmann based simulations such as Electromagnetism.

研究の動機と目的

• CFDとLBMシミュレーションの高いメモリと計算コストを動機づける。
• LBMの状態サイズを縮小しダイナミクスを加速させるためのニューラルネットワークベースの圧縮フレームワークを提案する。
• より大きなグリッドと異なる幾何形状への一般化を実証する。
• 方法の汎用性を強調するために電磁気シミュレーションへの適用性を示す。

提案手法

• 2つのエンコーダを用いて、流れ状態 f_t と境界 b の両方を圧縮潜在表現にエンコードする。
• 学習された境界因子 (b_mul, b_add) と g_t を組み合わせる境界装備の圧縮写像を適用する。
• ネットワークステップあたりの複数のLBMステップで圧縮状態を進めるダイナミクスモジュール φ_comp を使用する。
• 必要に応じて完全な流れ状態または部分的な流れ状態を得るために、デコーダ φ_dec で圧縮状態をデコードする。
• 複数の時間ステップにわたって展開してエンドツーエンドで訓練し、平均二乗誤差 (MSE) と Image Gradient Difference Loss (GDL) からなる損失を最適化する。
• 可変入力サイズと安定した訓練を可能にするために残差ブロックを持つ完全畳み込みアーキテクチャを維持する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークはLBMの状態と境界を圧縮してメモリを削減しつつ、主要な流れ特性を保持できるか？
• RQ2 モデルは訓練データセットを超えた、より大きなグリッドサイズや新しい幾何学形状へ一般化できるか？
• RQ3 2Dおよび3DのLBMシミュレーションでLat-Netを使用する際の精度とスピード/メモリのトレードオフは何か？
• RQ4 他のLBMベースの物理、例えば電磁気学へ大きな変更なしに拡張できるか？

主な発見

Comp. Size	Comp. Mapping	Full State	Plane	Line	Point
(1024, 1024, 9)	(64, 64, 128)	2.7 ms	36.2 ms	NA	6.7 ms	6.6 ms
(160, 160, 160, 15)	(40, 40, 40, 64)	23.1 ms	272.1 ms	38.2 ms	25.6 ms	24.1 ms

• Lat-Netはシミュレーション状態の顕著なメモリ圧縮（オーダーオブマグニチュード）を達成し、学習済みの圧縮写像を介して計算を高速化する。
• モデルは大きなグリッドサイズへ一般化し、場合によっては16倍大きくしても精度の低下はごくわずか。
• 2D流れでは、Lat-Netは大きな領域でも完全LBMと同等の抗力とフラック値を維持し、数百ステップにわたり安定性を保つ。
• 3D結果は、いくつかの大規模ドメインケースで小さなバイアスを伴う現実的な挙動を示し、メモリと訓練データセットの制約を浮き彫りにしている。
• このアプローチは電磁気シミュレーションにも成功裏に適用でき、真のソルバーと同様の波現象（反射・屈折）を生み出す。
• デコーダーから完全な状態を抽出することはメモリ集約的になる可能性があり、タスク特化デコーダーや補助ネットワークの利点を示唆する。