[論文レビュー] NUNet: Deep Learning for Non-Uniform Super-Resolution of Turbulent Flows

Octavi Obiols-Sales, Abhinav Vishnu+2 more|arXiv (Cornell University)|Mar 26, 2022

Advanced Image Processing Techniques被引用数 6

ひとこと要約

NUNet は、壁近傍や流れの尾ていぶつなど複雑な流れ特徴を持つ領域にのみ適応的に分解能を向上させる非一様スーパーサンプリングのためのディーブラーニングフレームワークであり、滑らかな領域では分解能を維持する。最先端の均一スーパーサンプリング手法と比較して、推論速度が 7–28.5× 速く、メモリ使用量が 4.4–7.65× 減少する一方で、従来の AMR ソルバーと同等の収束精度を達成する。

ABSTRACT

Deep Learning (DL) algorithms are becoming increasingly popular for the reconstruction of high-resolution turbulent flows (aka super-resolution). However, current DL approaches perform spatially uniform super-resolution - a key performance limiter for scalability of DL-based surrogates for Computational Fluid Dynamics (CFD). To address the above challenge, we introduce NUNet, a deep learning-based adaptive mesh refinement (AMR) framework for non-uniform super-resolution of turbulent flows. NUNet divides the input low-resolution flow field into patches, scores each patch, and predicts their target resolution. As a result, it outputs a spatially non-uniform flow field, adaptively refining regions of the fluid domain to achieve the target accuracy. We train NUNet with Reynolds-Averaged Navier-Stokes (RANS) solutions from three different canonical flows, namely turbulent channel flow, flat plate, and flow around ellipses. NUNet shows remarkable discerning properties, refining areas with complex flow features, such as near-wall domains and the wake region in flow around solid bodies, while leaving areas with smooth variations (such as the freestream) in the low-precision range. Hence, NUNet demonstrates an excellent qualitative and quantitative alignment with the traditional OpenFOAM AMR solver. Moreover, it reaches the same convergence guarantees as the AMR solver while accelerating it by 3.2-5.5x, including unseen-during-training geometries and boundary conditions, demonstrating its generalization capacities. Due to NUNet's ability to super-resolve only regions of interest, it predicts the same target 1024x1024 spatial resolution 7-28.5x faster than state-of-the-art DL methods and reduces the memory usage by 4.4-7.65x, showcasing improved scalability.

研究の動機と目的

• CFD における現在のディーブラーニングスーパーサンプリング手法の拡張性の限界、すなわち全領域にわたり均一に分解能を向上させることを解決すること。
• 局所的な流れの複雑さに基づいて、関心領域のみを非均一に高分解能化することができるディーブラーニングフレームワークの開発。
• 従来の適応的メッシュ細分化（AMR）ソルバーと同等の収束保証を達成すると同時に、計算コストとメモリ使用量を顕著に低減すること。
• 訓練データに含まれない未確認の幾何形状や境界条件に対しても一般化できることを示し、訓練データを越えた頑健性を示すこと。
• 推論時に 1024×1024 解像度の高分解能シミュレーションを、一括処理（バッチサイズ）を大きくして実行できることを可能にし、均一スーパーサンプリングモデルが直面するハードウェア制約を克服すること。

提案手法

• NUNet は、入力の低分解能流れ場を固定サイズの空間的パッチに分割し、局所的判断を可能にする。
• 各パッチはその流れの複雑さに基づいてスコア付けされ、スーパーサンプリングが必要かどうか、または低分解能のまま維持するかが決定される。
• 深層ニューラルネットワークが非均一な高分解能出力を予測し、壁近傍領域や流れの尾ていぶつなど複雑な流れ特徴を持つ領域にのみ分解能を向上させる。
• フレームワークはエンドツーエンドに設計されており、非均一出力は従来の物理ソルバー（例：OpenFOAM）に供給され、収束性と物理的一致性が保証される。
• モデルは、3 つの代表的な流れ（乱流チャネル流れ、平板流れ、楕円体周りの流れ）の Reynolds 平均ナビエ–ストークス（RANS）解を用いて学習される。
• 従来の AMR とは異なり、反復的細分化を必要とせず、1 ステップで推論が可能であるため、効率性とスケーラビリティが向上する。

実験結果

リサーチクエスチョン

• RQ1 ディーブラーニングモデルは、複雑な領域にのみ選択的に分解能を向上させる非均一スーパーサンプリングを予測でき、計算効率を向上させることができるか？
• RQ2 NUNet の性能は、最先端の均一スーパーサンプリング手法と比較して、推論速度、メモリ使用量、収束精度の観点でどのように異なるか？
• RQ3 NUNet は、学習データに存在しない未確認の幾何形状や境界条件に対して、どの程度一般化できるか？
• RQ4 NUNet の非均一細分化戦略は、従来の AMR ソルバーと同等の物理的精度を達成しながら、解法プロセスを高速化できるか？
• RQ5 NUNet は、関心領域での高分解能精度を維持しながら、メモリ消費量を低減し、高解像度での大規模バッチ処理を可能にするか？

主な発見

• NUNet は、すべてのテストケースにおいて、最先端の均一スーパーサンプリング手法（SURFNet など）と比較して、4.4–7.65× のメモリ使用量削減を達成した。
• NUNet は、SURFNet と比較して、エンドツーエンドの推論速度が 7–28.5× 速く、NACA1412 の翼型のような複雑な幾何形状で最大の高速化が観察された。
• NUNet は、従来の OpenFOAM AMR ソルバーと同等の収束保証を達成しており、物理的一致性と信頼性を示している。
• モデルは、壁近傍層や流れの尾ていぶつなど複雑な流れ特徴を持つ領域を正しく特定し、細分化処理を実施している一方で、滑らかな自由流領域では低分解能を維持している。
• NUNet は、再訓練なしに NACA0012 や NACA1412 の翼型など、未学習の幾何形状や境界条件に対しても一般化できている。
• 1024×1024 解像度において、NUNet は均一手法と比較して推論時のバッチサイズを大きく可能にし、SOTA モデルが直面する GPU メモリ制限を克服した。