[論文レビュー] Neural Vortex Method: from Finite Lagrangian Particles to Infinite Dimensional Eulerian Dynamics

Shiying Xiong, Xingzhe He+3 more|arXiv (Cornell University)|Jun 7, 2020

Model Reduction and Neural Networks参考文献 45被引用数 5

ひとこと要約

本稿では、ニューラル・バーテックス法（NVM）を提案する。NVMは、ラグランジュ的バーテックス構造とその動的挙動をニューラルネットワークを用いてモデル化する学習ベースのフレームワークであり、有限の粒子からエーランジアン流体流れの高精度再構成を可能にする。バーテックス検出ネットワークとバーテックス動的ネットワークを組み合わせ、渦度から速度を求めるポアソン解法を埋め込むことで、従来のラグランジュ的バーテックス法（LVM）と比較して相対速度誤差が10倍以上低減された。また、短い学習ウィンドウのデータで学習が可能である。

ABSTRACT

In the field of fluid numerical analysis, there has been a long-standing problem: lacking of a rigorous mathematical tool to map from a continuous flow field to discrete vortex particles, hurdling the Lagrangian particles from inheriting the high resolution of a large-scale Eulerian solver. To tackle this challenge, we propose a novel learning-based framework, the Neural Vortex Method (NVM), which builds a neural-network description of the Lagrangian vortex structures and their interaction dynamics to reconstruct the high-resolution Eulerian flow field in a physically-precise manner. The key components of our infrastructure consist of two networks: a vortex representation network to identify the Lagrangian vortices from a grid-based velocity field and a vortex interaction network to learn the underlying governing dynamics of these finite structures. By embedding these two networks with a vorticity-to-velocity Poisson solver and training its parameters using the high-fidelity data obtained from high-resolution direct numerical simulation, we can predict the accurate fluid dynamics on a precision level that was infeasible for all the previous conventional vortex methods (CVMs). To the best of our knowledge, our method is the first approach that can utilize motions of finite particles to learn infinite dimensional dynamic systems. We demonstrate the efficacy of our method in generating highly accurate prediction results, with low computational cost, of the leapfrogging vortex rings system, the turbulence system, and the systems governed by Euler equations with different external forces.

研究の動機と目的

• 連続的なエーランジアン流速場を有限のラグランジュ的粒子にマッピングする際の解像度損失を回避するという長年の課題に取り組む。
• 従来のラグランジュ的バーテックス法（LVM）の不正確さ、特にバイオ・サバール則における外力や特異点の取り扱いの難しさを克服する。
• 物理的制約（例：非圧縮性、渦度動的挙動）を組み込んだデータ駆動型フレームワークを構築し、物理的に妥当で安定した流体予測を保証する。
• 非自明な外力が作用する複雑な流体系、特にナビエ＝ストークス方程式に従う系の高精度な予測を可能にする。
• 短いシミュレーションウィンドウでの学習により、実世界のデータ収集に実用的であるように、データ要件を低減する。

提案手法

• 二本のストリームで構成されるニューラルネットワークアーキテクチャ：グリッドベースの速度場からラグランジュ的バーテックスを同定するバーテックス検出ネットワーク。
• ラグランジュ的バーテックスの位置と強度の時間的変化を、流体動力学に基づいて学習するバーテックス動的ネットワーク。
• 学習されたバーテックス配置からエーランジアン速度場を再構成するための渦度から速度へのポアソン解法を統合。
• 高解像度グリッドベースのシミュレーションデータを用いたエンドツーエンドの学習。物理的一致性を保証するための損失関数を適用。
• 離散化されたバイオ・サバール則を用いた速度計算。ニューラルネットワークが、粒子間距離が近い場合の特異性と不正確さを緩和。
• 予測期間の100倍以上短い時間ウィンドウでの学習。データ効率の高い学習が可能。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークフレームワークは、有限のラグランジュ的バーテックス粒子から高解像度のエーランジアン流体流れを正確に再構成できるか？
• RQ2 学習されたバーテックス動的モデルは、外力が作用する状況でも、従来のラグランジュ的バーテックス法を上回る精度を示せるか？
• RQ3 データ駆動型アプローチは、低コストで一般化性能を維持しながら、高い物理的整合性を実現できるか？
• RQ4 ニューラルネットワークは、限られたシミュレーションデータから、ナビエ＝ストークス方程式の本質的挙動をどれだけ学習できるか？
• RQ5 フレームワークは、乱流やバーテックスリングのジャンプフロッピングといった複雑な流体挙動を、高精度かつ安定して扱えるか？

主な発見

• NVMは、周期的ボックス内でナビエ＝ストークス方程式を解く際、従来のラグランジュ的バーテックス法（LVM）と比較して相対速度誤差を10倍以上低減した。
• NVMは、回転力や一様力といった非自明な外力が作用する状況でも流体挙動を正しく予測でき、LVMはドリフト速度を捉えられず失敗するのに対し、NVMはその欠陥を克服した。
• 短い学習ウィンドウ（全予測期間の1％未満）での学習で高い精度を達成した。データ効率の高さが顕著に示された。
• NVMは、低粒子数でも、バーテックスリングのジャンプフロッピングや乱流といった複雑な系において、安定的かつ高精度な予測を維持した。
• NVMの粒子数が増加するにつれて、速度再構成誤差は低下し、グリッド上の直接数値シミュレーション（DNS）の精度に近づいた。
• 本フレームワークは、従来のバーテックス法がよく直面する物理的不連続性や数値的不安定性に対しても、頑健であることが示された。