[論文レビュー] Learning Mesh-Based Simulation with Graph Networks

Tobias Pfaff, Meire Fortunato+2 more|arXiv (Cornell University)|Oct 7, 2020

Parallel Computing and Optimization Techniques参考文献 42被引用数 49

ひとこと要約

MeshGraphNets は、適応メッシュを用いた前方ダイナミクスを、メッシュ空間とワールド空間という2つの空間を持つグラフネットワークで学習し、地道な解法より1〜2オーダーの速度改善と良好な一般化を達成する。

ABSTRACT

Mesh-based simulations are central to modeling complex physical systems in many disciplines across science and engineering. Mesh representations support powerful numerical integration methods and their resolution can be adapted to strike favorable trade-offs between accuracy and efficiency. However, high-dimensional scientific simulations are very expensive to run, and solvers and parameters must often be tuned individually to each system studied. Here we introduce MeshGraphNets, a framework for learning mesh-based simulations using graph neural networks. Our model can be trained to pass messages on a mesh graph and to adapt the mesh discretization during forward simulation. Our results show it can accurately predict the dynamics of a wide range of physical systems, including aerodynamics, structural mechanics, and cloth. The model's adaptivity supports learning resolution-independent dynamics and can scale to more complex state spaces at test time. Our method is also highly efficient, running 1-2 orders of magnitude faster than the simulation on which it is trained. Our approach broadens the range of problems on which neural network simulators can operate and promises to improve the efficiency of complex, scientific modeling tasks.

研究の動機と目的

• 適応メッシュ表現を用いた複雑な物理システムの効率的かつ高精度なシミュレーションを動機づける。
• MeshGraphNets を提案し、メッシュグラフ（メッシュ空間とワールド空間）の前方ダイナミクスを学習する。
• 学習されたサイズ場に基づく適応リメッシングにより、精度と効率のバランスを取る。
• 布、エラスティック、流体など多様な領域への一般化を示し、ベースラインと比較する。
• 計算効率とスケーラブルで微分可能なシミュレーションの可能性を強調する。

提案手法

• 現在のメッシュをメッシュエッジとワールドエッジを含むマルチグラフとしてエンコード（ラグランジュ系の場合）。
• メッシュエッジとワールドエッジ上でL層のメッセージパッシングを通じてノード埋め込みとエッジ埋め込みを更新。
• ノード埋め込みを各ノードの加速度へデコードし、オイラー更新と組み合わせて次状態のメッシュ M^{t+1} を得る。
• 必要に応じて適応リメッシングのためのサイズ場を予測し、ドメイン非依存のリメッシャーを適用して M^{t+1} を得る。
• 予測加速度とサイズ場（利用可能な場合）に対するL2損失でトレーニング。
• 相対エッジエンコーディングを用いて空間的等変性を保証し、解像度に依存しないダイナミクスを可能にする。

実験結果

リサーチクエスチョン

• RQ1 MeshGraphNets はメッシュベース表現を用いて多様な物理系の前方ダイナミクスを学習できるか。
• RQ2 メッシュ空間とワールド空間のグラフメッセージパッシングを組み合わせると、内部ダイナミクスと外部相互作用（例えば衝突）の予測が改善されるか。
• RQ3 学習されたサイズ場によるリメッシングは、ドメイン特化のリメッシャーを必要とせず、適応的で解像度に依存しないシミュレーションを実現できるか。
• RQ4 テスト時により大規模で複雑なメッシュ、様々な物理ドメインに対してこのアプローチはどれくらい一般化できるか。

主な発見

データセット	平均ノード数	ステップ数	t_model ms/step	t_full ms/step	t_GT ms/step	RMSE 1-step ×10^-3	RMSE rollout-50 ×10^-3	RMSE rollout-all ×10^-3
FlagSimple	1579	400	19	19	4166	1.08±0.02	92.6±5.0	139.0±2.7
FlagDynamic	2767	250	43	837	26199	1.57±0.02	72.4±4.3	151.1±5.3
SphereDynamic	1373	500	32	140	1610	0.292±0.005	11.5±0.9	28.3±2.6
DeformingPlate	1271	400	24	33	2893	0.25±0.05	1.8±0.5	15.1±4.0
CylinderFlow	1885	600	21	23	820	2.34±0.12	6.3±0.7	40.88±7.2
Airfoil	5233	600	37	38	11015	314±36	582±37	11529±1203

• MeshGraphNets は布地、構造力学、流体ドメインのいずれもで粒子法・グリッドベースのベースラインを上回る。
• この手法は地道な解法より1〜2オーダーの高速な1ステップ性能を可能にする。
• 学習されたリメッシング（またはサイズ場推定）は、ドメイン特化のリメッシャーを用いずに適応的な精密化を実現し、妥当なダイナミクスを生み出す。
• モデルは新規形状や大きなメッシュ、異なる物理パラメータへ、誤差の増加が控えめで一般化する。
• MeshGraphNets は訓練時の短い Horizon に対しても長いローアウト（数千ステップ）で安定性を保つ。