[論文レビュー] Neural Physics: Using AI Libraries to Develop Physics-Based Solvers for Incompressible Computational Fluid Dynamics

Boyang Chen, Claire E. Heaney+1 more|arXiv (Cornell University)|Feb 27, 2024

Reservoir Engineering and Simulation Methods被引用数 7

ひとこと要約

本論文は AI ライブラリを再利用して、不可压性CFDのCNNベースのマルチグリッド解法を構築し、移流拡散、バーガーズ方程式、Navier–Stokes問題を解く。

ABSTRACT

Numerical discretisations of partial differential equations (PDEs) can be written as discrete convolutions, which, themselves, are a key tool in AI libraries and used in convolutional neural networks (CNNs). We therefore propose to implement numerical discretisations as convolutional layers of a neural network, where the weights or filters are determined analytically rather than by training. Furthermore, we demonstrate that these systems can be solved entirely by functions in AI libraries, either by using Jacobi iteration or multigrid methods, the latter realised through a U-Net architecture. Some advantages of the Neural Physics approach are that (1) the methods are platform agnostic; (2) the resulting solvers are fully differentiable, ideal for optimisation tasks; and (3) writing CFD solvers as (untrained) neural networks means that they can be seamlessly integrated with trained neural networks to form hybrid models. We demonstrate the proposed approach on a number of test cases of increasing complexity from advection-diffusion problems, the non-linear Burgers equation to the Navier-Stokes equations. We validate the approach by comparing our results with solutions obtained from traditionally written code and common benchmarks from the literature. We show that the proposed methodology can solve all these problems using repurposed AI libraries in an efficient way, without training, and presents a new avenue to explore in the development of methods to solve PDEs with implicit methods.

研究の動機と目的

• オープンソースAIライブラリを再利用してCFD問題の離散化 PDE を解く方法を実証する。
• CNN がマルチグリッドの要素として機能し、Navier–Stokes のシミュレーションにおける不可压性を保証できることを示す。
• ソルバーの構成要素（平滑化、制限、延長）がCNNの操作に対応し、現代のハードウェア上でのスケーラビリティを実現する枠組みを提供する。
• 移流-拡散、バーガーズ、および鈍体を通過する不可压性流れへの適用性を示す。

提案手法

• 畳み込みニューラルネットワークを再利用して、離散化された PDE のマルチグリッド解法を模倣する。
• 平滑化と誤差補正のステップをCNNレイヤで表現し、残差を伝えるためにU-Netに類似したスキップ接続を含める。
• 予測子–修正子の時間積分を、固定の3x3ステンシルを持つCNNフィルタ演算として定式化する。
• CNN対応のマルチグリッド解法を用いた、Navier–Stokes の圧力と速度の結合に対する射影法ベースのアプローチを適用する。
• 移流項には有限要素離散化を用い、拡散には27点ステンシルを用い、境界処理はパディング戦略で行う。
• 一段階と明示的時間離散化を実証し、速度—圧力結合をCNNフレームワーク内に統合する。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのマルチグリッドサイクルは、不可压性CFD問題に対する従来のマルチグリッド収束を再現できるか？
• RQ2 標準的な CFD 離散化（移流-拡散、バーガーズ、Navier–Stokes）を、訓練なしでCNNのフィルタと活性化としてどのようにエンコードできるか？
• RQ3 CNNベースの解法はCPU、GPU、AIプロセッサ間でのアーキテクチャ移植性と計算効率を達成しますか？
• RQ4 射影法に基づくNavier–Stokes解をCNNフレームワーク内に組み込み、不可圧性を保証できるか？

主な発見

• CNNアーキテクチャ上で実装された移流-拡散問題に対して、CNNベースのマルチグリッド解法が収束できる。
• この手法はバーガーズ方程式および鈍体を通過する不可压性流れについて、数値誤差の限界内で従来のPDE解法と一致する結果を得る。
• 適切な活性化を伴う固定の3x3カーネルは、CNNフレームワーク内で移流と拡散の離散化演算子を表現できる。
• 層スキッピング（U-Net のような）は、CNN内でマルチグリッドレベル間の残差を伝える有効な機構である。
• この枠組みは、CFDにおける物理情報を組み込んだモデルやサブグリッドスケール表現とニューラルネットワークを統合する道筋を示唆する。