[論文レビュー] Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize

Nils Wandel, Michael Weinmann+1 more|arXiv (Cornell University)|Jun 15, 2020

Model Reduction and Neural Networks参考文献 29被引用数 33

ひとこと要約

教師なしで、物理法規制を取り入れたCNNフレームワークが一から非圧縮性流体力学を学習し、新しいドメインへの訓練データなしで一般化可能な高速で微分可能な流体解算器を生み出す。

ABSTRACT

Fast and stable fluid simulations are an essential prerequisite for applications ranging from computer-generated imagery to computer-aided design in research and development. However, solving the partial differential equations of incompressible fluids is a challenging task and traditional numerical approximation schemes come at high computational costs. Recent deep learning based approaches promise vast speed-ups but do not generalize to new fluid domains, require fluid simulation data for training, or rely on complex pipelines that outsource major parts of the fluid simulation to traditional methods. In this work, we propose a novel physics-constrained training approach that generalizes to new fluid domains, requires no fluid simulation data, and allows convolutional neural networks to map a fluid state from time-point t to a subsequent state at time t + dt in a single forward pass. This simplifies the pipeline to train and evaluate neural fluid models. After training, the framework yields models that are capable of fast fluid simulations and can handle various fluid phenomena including the Magnus effect and Karman vortex streets. We present an interactive real-time demo to show the speed and generalization capabilities of our trained models. Moreover, the trained neural networks are efficient differentiable fluid solvers as they offer a differentiable update step to advance the fluid simulation in time. We exploit this fact in a proof-of-concept optimal control experiment. Our models significantly outperform a recent differentiable fluid solver in terms of computational speed and accuracy.

研究の動機と目的

• シミュレーションデータを必要とせず、非圧縮性流体力学の物理法規制を組み込んだ教師なしトレーニング手法を開発する。
• 新しいドメインジオメトリに対して物理的忠実性を維持しつつ、流体モデルを一般化する。
• リアルタイム流体シミュレーションが可能な高速で微分可能なニューラル解法を構築する。
• 粘性効果や Magnus 効果、カルマン渦列といった現象をモデルが捉えられることを示す。

提案手法

• ヘルムホルツ分解を用いて incompressibility を満たすよう、ベクトルポテンシャル a を予測し v = curl(a) とする。
• 2DフローをスタッガードMACグリッド上に表現し、時間離散化を明示/陰性/IMEXスキームで行う。
• 特徴量豊富な表現をU-Netに入力し p と a を更新し、次に流体状態にネットワーク出力を追加して状態を更新する。
• Navier–Stokes残差と境界損失を用いた物理制約付き損失で訓練し、必要に応じて高レイノルズ数で圧力正則化項を含める。
• ground-truthデータなしで予測場を更新・再利用して段階的に現実的な流体状態を生成するリサイクリング訓練戦略を採用する。
• ベクトルポテンシャルを用いず速度を直接予測するアブレーションモデル（v-Net）を提供し、性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 CNN は訓練データなしでスクラッチから完全な非圧縮 Navier–Stokes 更新ステップを学習できるか？
• RQ2 ベクトルポテンシャルによる incompressibility の強制は unseen ドメインジオメトリへの一般化を可能にするか？
• RQ3 物理制約付きの教師なし訓練はデータ駆動またはソルバー系ベースのベースラインと比較して速度と精度でどうなるか？
• RQ4 モデルは粘性効果や Magnus 効果、カーマン渦列のような複雑な現象を捉えられるか？
• RQ5 訓練済みモデルは十分微分可能で、流れの勾配ベース制御を可能にするか？

主な発見

• a-Net（ベクトルポテンシャルベース）モデルは、速度のみのアブレーションを上回り、発散と運動量損失の両方で 100×100 のテスト設定で PhiFlow を上回る。
• a-Net は PhiFlow よりはるかに高速に動作し、CPU での Timestep-per-second（TPS）は 11x、GPU で 40x のレートを達成。
• dt = 4 のとき、a-Net は L_d = 5.44e-7、L_p = 1.56e-5 を達成し、両指標で v-Net を上回る。
• 定性的な結果は、再現性のある再発のある渦の wake ダイナミクスを示し、 Magnus 効果と訓練時には見られなかった翼周りの揚力を生み出す圧力場を再現する。
• モデルはリアルタイム再現性のシミュレーション（100×300 グリッドで約250 timesteps/s）と、渦放出周波数の勾配ベース最適化を可能にする微分可能な挙動を示す。