[論文レビュー] MeshingNet: A New Mesh Generation Method based on Deep Learning

Zheyan Zhang, Yongxing Wang+2 more|arXiv (Cornell University)|Apr 15, 2020

Computer Graphics and Visualization Techniques参考文献 20被引用数 9

ひとこと要約

MeshingNetは、任意の2次元形状に対して、事後誤差推定の高コストを回避する深層学習的手法を提案する。FEM解からの高精度な誤差推定値で訓練された本手法は、均一でない高品質なメッシュを生成し、均一メッシュやZZ修整メッシュを上回る精度を達成する。適応ワークフローにおける初期メッシュとしての応用が可能である。

ABSTRACT

We introduce a novel approach to automatic unstructured mesh generation using machine learning to predict an optimal finite element mesh for a previously unseen problem. The framework that we have developed is based around training an artificial neural network (ANN) to guide standard mesh generation software, based upon a prediction of the required local mesh density throughout the domain. We describe the training regime that is proposed, based upon the use of \emph{a posteriori} error estimation, and discuss the topologies of the ANNs that we have considered. We then illustrate performance using two standard test problems, a single elliptic partial differential equation (PDE) and a system of PDEs associated with linear elasticity. We demonstrate the effective generation of high quality meshes for arbitrary polygonal geometries and a range of material parameters, using a variety of user-selected error norms.

研究の動機と目的

• 反復的で計算コストの高い事後誤差推定に依存しない自動非構造的メッシュ生成のデータ駆動型手法の開発。
• 幾何形状、境界条件、材料パラメータに基づいて局所的メッシュ密度を予測するための深層ニューラルネットワークの訓練。
• 均一メッシュや従来の適応的メッシュよりも少ない要素数で等分散誤差を達成する高品質な非均一メッシュの生成。
• 事後誤差推定の代わりに事前計算済みの学習データからの学習予測を用いることで、PDEのメッシュ生成を高速化。
• 2次元テスト問題において、多様な幾何形状、材料パラメータ、誤差ノルムにわたる一般化の検証。

提案手法

• 深層ニューラルネットワーク（MeshingNet）を、ドメインの幾何形状、境界条件、材料パラメータを含む入力特徴から局所的メッシュ密度を予測するように訓練する。
• 訓練データは、粗い均一メッシュ上で得られたFEM解からの高精度な事後誤差推定値であり、最適なメッシュ密度分布を生成するために用いられる。
• 全畳み込みネットワーク（FCN）、残差ネットワーク（ResNet）、その他のアーキテクチャを評価し、メッシュ密度予測性能を比較する。
• MeshingNetは、推論時にPDEを解いたり誤差推定器を計算したりせずに、標準的なメッシュ生成ツール（例：Triangle）が非均一メッシュを生成するのをガイドするメッシュ密度分布を予測する。
• 勾配降下法を用いて、予測値と真値の差を最小化するための微分可能損失関数を用いてネットワークを訓練する。
• 2つのテスト問題（ポアソン方程式と線形弾性）を用いてフレームワークを検証し、ポテンシャルエネルギーと誤差ノルムを指標に性能を測定する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、幾何形状、材料パラメータ、境界条件の入力から最適なメッシュ密度分布を効果的に学習できるか？
• RQ2 MeshingNetが生成するメッシュの品質は、均一メッシュやZZ修整メッシュと比較して、解の精度においてどのように差がつくか？
• RQ3 MeshingNetは、異なる多角形幾何形状や材料パラメータにわたってどの程度一般化できるか？
• RQ4 ネットワークが予測するメッシュ密度は、従来の適応的メソッドと比較して、等分散誤差を達成し、計算コストを削減できるか？
• RQ5 MeshingNetは、従来の適応的メッシュ生成ワークフロー内での効率的な初期メッシュ生成ツールとして機能できるか？

主な発見

• MeshingNetが生成したメッシュは、有限要素解において平均ポテンシャルエネルギーが-7.6813（FCN）を示し、非常に高精度な基準解（HAS）に比べて均一メッシュ（-7.6030）やZZ修整メッシュよりも顕著に近い。
• MeshingNetのFCNバージョンは平均エネルギー-7.6813を達成し、ResNet1（-7.6815）やResNet2（-7.6816）を上回った。ResNetモデルは訓練時間の短縮も達成した。
• MeshingNetが生成したメッシュは、すべてのテスト幾何形状において、均一メッシュやZZ修整メッシュよりも、高精度な解に対する有限要素誤差が低かった。
• テストケース全体にわたり一貫したパフォーマンスを示すことで、幾何形状、境界条件、材料パラメータの複雑な相互作用をメッシュ密度予測に適切に組み込んでいることが示された。
• 推論時に事後誤差推定の計算コストを回避しながらも、最適に近い誤差分布を持つメッシュを生成している。
• 異なる多角形ドメインや材料パラメータにわたる一般化性能が強く、引っ張り力と密度比がメッシュの非均一性に大きな影響を与えることが明らかになった。