[論文レビュー] Neural Networks Predict Fluid Dynamics Solutions from Tiny Datasets.

Cristina White, Daniela Ushizima+1 more|arXiv (Cornell University)|Jan 26, 2019

Model Reduction and Neural Networks参考文献 6被引用数 9

ひとこと要約

この論文は、流体動力学のシミュレーションを、小さな事前計算済みデータセットを効果的に拡大し、高い非線形性を示すインダクティブバイアスを活用することで高速化する、画期的なモデルフリーのニューラルネットワーク手法、クラスターネットワークを提案する。本手法は、準最先端の精度を達成し、10倍の高速化を実現し、計算流体力学問題において既存のモデルフリー手法を上回る性能を発揮する。

ABSTRACT

Incorporating computational fluid dynamics in the design process of jets, spacecraft, or gas turbine engines is often challenged by the required computational resources and simulation time, which depend on the chosen physics-based computational models and grid resolutions. An ongoing problem in the field is how to simulate these systems faster but with sufficient accuracy. While many approaches involve simplified models of the underlying physics, others are model-free and make predictions based only on existing simulation data. We present a novel model-free approach in which we reformulate the simulation problem to effectively increase the size of constrained pre-computed datasets and introduce a novel neural network architecture (called a cluster network) with an inductive bias well-suited to highly nonlinear computational fluid dynamics solutions. Compared to the state-of-the-art in model-based approximations, we show that our approach is nearly as accurate, an order of magnitude faster, and easier to apply. Furthermore, we show that our method outperforms other model-free approaches.

研究の動機と目的

• 工学的設計における従来の計算流体力学（CFD）手法の高い計算コストと長時間のシミュレーション時間を解消すること。
• 流体動力学における小さな事前計算済みデータセットの限界を、データの再定式化によって有効なサイズを効果的に拡大することで克服すること。
• 流体の流れの解が示す複雑で非線形的な挙動に適したインダクティブバイアスを備えたニューラルネットワークアーキテクチャの開発。
• 精度、速度、適用のしやすさの観点で、既存のモデルフリーおよびモデルベースの近似手法を上回ること。

提案手法

• 限られた事前計算済みデータセットから合成データの拡張を生成するようにシミュレーション問題を再定式化し、データ効率を向上させること。
• 流体の流れの幾何学的・動的複雑性に適したインダクティブバイアスを組み込んだ、新規のニューラルネットワークアーキテクチャ「クラスターネットワーク」を導入すること。
• 最小限のシミュレーションデータ上でエンドツーエンドにクラスターネットワークを学習させ、入力パラメータから流体の流れの解へのマッピングを学習すること。
• 物理的整合性と予測解の滑らかさを強制する損失関数を用い、一般化性能を向上させること。
• 物理的に妥当な形を保ちつつ、有効なデータセットサイズを拡大するデータオーグメンテーション技術を適用すること。
• 従来のCFDソルバーよりもリアルタイムまたは準リアルタイムの予測が可能なよう、推論速度の最適化を図ること。

実験結果

リサーチクエスチョン

• RQ1 モデルフリーのディープラーニング手法は、わずかな事前計算済みデータセットのみを用いても、流体動力学の予測において高い精度を達成できるか？
• RQ2 提案されたクラスターネットワークアーキテクチャは、最先端のモデルベースおよびモデルフリー手法と比較して、性能と効率の面でどのように差をつけるか？
• RQ3 データの再定式化技術は、制限されたシミュレーションデータセットの有用性をどの程度まで効果的に高められるか？
• RQ4 クラスターネットワークアーキテクチャのインダクティブバイアスは、非常に非線形的な流体動力学問題における一般化性能を向上させるか？

主な発見

• クラスターネットワークは、流体動力学の予測において準最先端の精度を達成しており、高度なモデルベース近似手法とほぼ同等の性能を示している。
• 本手法は、最先端のモデルベース手法と比較して約10倍の高速化が達成されており、推論時間の大幅な短縮が実現している。
• 本モデルは、多様な流体動力学のテストケースにおいて、既存のモデルフリー手法よりも精度と頑健性の両面で優れている。
• データの再定式化技術は、小さなデータセットの有効サイズを効果的に拡大しており、限られたシミュレーションデータから高性能な学習が可能であることを示している。
• クラスターネットワークのインダクティブバイアスにより、標準的なニューラルアーキテクチャと比較して、複雑で非線形的な流れのパターンに対する一般化性能が顕著に向上している。
• 従来のCFDソルバーやモデルベースの近似手法と比較して、本手法は適用がはるかに簡単であり、分野特化のモデル開発を必要としない。