[論文レビュー] Learning the solution operator of two-dimensional incompressible Navier-Stokes equations using physics-aware convolutional neural networks

Viktor Grimm, Alexander Heinlein+1 more|arXiv (Cornell University)|Aug 4, 2023

Model Reduction and Neural NetworksPhysics and Astronomy被引用数 3

ひとこと要約

本論文では、ラベルなし、幾何パラメータ化なしで、任意の不規則な幾何形状における2次元定常非圧縮性ナビエ＝ストークス方程式の解作用素を学習する物理知覚型畳み込みニューラルネットワーク（CNN）を提案する。U-Netに類似したCNNと有限差分離散化を組み合わせ、物理法則を物理知覚型損失関数で強制することで、従来のCFDシミュレーションに比べ最大600,000倍の高速な推論を達成するとともに、円形やペタル型の障害物を含む未学習の幾何形状に対しても効果的に一般化する。

ABSTRACT

In recent years, the concept of introducing physics to machine learning has become widely popular. Most physics-inclusive ML-techniques however are still limited to a single geometry or a set of parametrizable geometries. Thus, there remains the need to train a new model for a new geometry, even if it is only slightly modified. With this work we introduce a technique with which it is possible to learn approximate solutions to the steady-state Navier--Stokes equations in varying geometries without the need of parametrization. This technique is based on a combination of a U-Net-like CNN and well established discretization methods from the field of the finite difference method.The results of our physics-aware CNN are compared to a state-of-the-art data-based approach. Additionally, it is also shown how our approach performs when combined with the data-based approach.

研究の動機と目的

• パラメータ化やラベルデータを必要とせず、多様で不規則な幾何形状に一般化可能な2次元非圧縮性ナビエ＝ストークス方程式の代替モデルの開発。
• 特定の幾何形状に限定され、各新しい設定に対してトレーニングデータを要する従来の物理知覚型機械学習手法の限界を克服すること。
• 1つのトレーニング済みCNNを用いて、複数の未学習の幾何形状（曲線的・非長方形の障害物を含む）に対して、流体の流れと圧力場を高速かつ正確に予測すること。
• 物理知覚型損失関数が、特に低速度流れにおいて、純粋にデータベースのアプローチに比べ一般化性能と予測精度を向上させることを示すこと。

提案手法

• モデルは、入力として幾何形状の画像と境界条件を受け取り、速度場と圧力場を予測するU-Netに類似した畳み込みニューラルネットワークアーキテクチャを用いる。
• 物理知覚型損失関数は、ナビエ＝ストークス方程式の有限差分近似を用いて構築され、トレーニングの目的関数に直接PDEの残差を強制する。
• この手法は、構造化グリッド上で有限差分法を用いてナビエ＝ストークス方程式を離散化し、CNNが各グリッド点における解係数を予測する。
• モデルは、参照解を必要とせず、幾何形状の画像と境界条件のみを入力として、エンド・トゥ・エンドでトレーニングされる。
• 座標変換やドメインマッピングを回避することで、非パラメトリックな任意の幾何形状への直接適用が可能となる。
• トレーニングプロセスでは物理的制約を損失関数に統合し、各トレーニングステップで予測値が非圧縮性および運動量方程式を満たすように保証する。

実験結果

リサーチクエスチョン

• RQ1 1つの物理知覚型CNNが、ラベルなしで未学習の不規則な幾何形状に対して、2次元非圧縮性ナビエ＝ストークス方程式に一般化可能か？
• RQ2 有限差分離散化に基づく物理知覚型損失関数は、純粋にデータベースのアプローチに比べ、精度と一般化性能においてどのように差をつけるか？
• RQ3 星型の障害物の多様なセットでトレーニングされたCNNが、円形や楕円形など連続的な曲率を持つ幾何形状の流れ場をどの程度正確に予測できるか？
• RQ4 提案された代替モデルは、従来のCFDシミュレーションに比べてどの程度の計算速度向上を達成するか？

主な発見

• 物理知覚型CNNは、従来のCFDシミュレーションに比べ最大600,000倍の高速な推論を達成し、1つの幾何形状あたりの評価時間は約6ミリ秒であった。
• モデルは未学習の幾何形状に対しても良好に一般化し、円形の障害物や5ピタールの花型の形状に対しても滑らかな予測と境界付近の局所的誤差を示した。
• 低速度流れの状況では、物理知覚型アプローチがデータベースのベースラインを上回り、データベースモデルは未学習の幾何形状に対して困難を示した。
• 有限差分の解像度が粗くても、モデルは大多数の幾何形状について参照解に近い予測を達成し、データベースおよび純粋に物理知覚型のベースラインよりも一般化性能に優れた。
• 物理知覚型モデルが参照解と一致しなかった場合でも、高解像度の有限体積法を用いた手法も収束しなかったことから、このような流れ状態には本質的な数値的困難が存在することが示唆された。