[論文レビュー] NPLIC: A Machine Learning Approach to Piecewise Linear Interface Construction

Mohammadmehdi Ataei, Markus Bussmann+4 more|arXiv (Cornell University)|Jun 26, 2020

Fluid Dynamics and Heat Transfer参考文献 42被引用数 30

ひとこと要約

本稿では、ボリューム・オブ・フラッド（VOF）シミュレーションにおけるピecewise Linear Interface Construction（PLIC）を高速化する深層学習ベースの手法NPLICを提案する。合成データセット上で界面法線と体積分率の両方を用いて全結合ニューラルネットワークを学習させることで、NPLICは最大100倍の高速化を達成しながらも、PLICの精度を維持する。特に3次元および三角形メッシュにおいて顕著な性能向上を示し、1つのモデルで複数のメッシュタイプをサポートする。

ABSTRACT

Volume of fluid (VOF) methods are extensively used to track fluid interfaces in numerical simulations, and many VOF algorithms require that the interface be reconstructed geometrically. For this purpose, the Piecewise Linear Interface Construction (PLIC) technique is most frequently used, which for reasons of geometric complexity can be slow and difficult to implement. Here, we propose an alternative neural network based method called NPLIC to perform PLIC calculations. The model is trained on a large synthetic dataset of PLIC solutions for square, cubic, triangular, and tetrahedral meshes. We show that this data-driven approach results in accurate calculations at a fraction of the usual computational cost, and a single neural network system can be used for interface reconstruction of different mesh types.

研究の動機と目的

• VOFシミュレーションにおける従来のPLICアルゴリズムの計算コストと実装の複雑さを解消すること。
• 幾何的PLICの代替として、高精度を維持するデータ駆動型のニューラルネットワークベースの手法を開発すること。
• 再訓練を必要とせずに、正方形、立方体、三角形、四面体メッシュの複数のメッシュタイプを1つのニューラルネットワークモデルで処理できること。
• CFDシミュレーションにおける数値的整合性を保ちながら、界面再構築の計算時間を大幅に短縮すること。

提案手法

• 正方形、立方体、三角形、四面体メッシュ用のPLIC解の大量合成データセット上で全結合深層ニューラルネットワークを学習する。
• 変換行列を用いてメッシュ幾何を正規化し、入力次元を界面法線（θ, φ）と体積分率（α₀）に削減する。
• メッシュタイプ識別子（m = 1 は四面体／三角形、m = 0 は立方体／正方形）を共有入力層に組み込むことで、複数のメッシュタイプにわたるモデル統合を実現する。
• 予測されたCと真値のPLC解との間の予測誤差を最小化するために、平均二乗誤差（MSE）損失を学習中に使用する。
• 効率的な推論を実現するため、最適化された深層学習ライブラリ（例：PyTorch）をCPUおよびGPUハードウェアで活用する。
• 訓練済みのNPLICモデルをBasilisk CFDソルバにドロップインリプレースとして統合する。

実験結果

リサーチクエスチョン

• RQ1 1つのニューラルネットワークが、正方形、立方体、三角形、四面体といった多様なメッシュタイプにわたって正確にPLIC解を予測できるか？
• RQ2 NPLICの推論速度は、最先端の解析的および反復的PLIC手法と比べてどの程度高速か？
• RQ3 特にα₀ ≈ 0およびα₀ ≈ 1付近において、NPLICは従来のPLICと比べてどの程度の精度を維持できるか？
• RQ4 再訓練なしで、さまざまなメッシュ解像度および界面の向きに対してもNPLICは高い性能を維持できるか？
• RQ5 NPLICにおけるモデルの深さ（隠れ層のニューロン数）は、精度と速度のトレードオフにどのように影響するか？

主な発見

• テストデータセットにおいてNPLICは平均絶対誤差（MAE）が約0.1%に達し、従来のPLICとほぼ同等の精度を示した。
• 3次元四面体および三角形メッシュでは、GPU上でのNPLICが解析的PLIC手法と比較して最大100倍の高速化を達成し、CPU上でも8倍以上の高速化を実現した。
• 正方形および立方体メッシュでは、CPU上では8倍以上、GPU上では最大100倍の高速化を達成したが、一部の2次元ケースでは解析的PLICが依然として速かった。
• 隠れ層あたり48ニューロンで学習したモデルは、誤差が約0.1%に近く、他のPLIC近似手法と同等の性能を示した。
• Basilisk CFDソルバへの統合に成功し、界面再構築時間を約5倍短縮したが、PLCとの結果は区別がつかなかった。
• バッチ推論とハードウェア最適化された深層学習ライブラリの活用により、NPLICはGPU上で1.21 TFLOPSの性能を達成し、CPUベースのPLICの2.42 GFLOPSをはるかに上回った。