[論文レビュー] NVIDIA SimNet^{TM}: an AI-accelerated multi-physics simulation framework

Oliver Hennigh, Susheela Narasimhan+8 more|arXiv (Cornell University)|Dec 14, 2020

Model Reduction and Neural Networks参考文献 34被引用数 31

ひとこと要約

SimNetは、パラメータ化された幾何学を用いて前方・逆・データ同化PDE問題を解くAI主導のフレームワークで、GPU上でのマルチフィジックスシミュレーションを可能にします。

ABSTRACT

We present SimNet, an AI-driven multi-physics simulation framework, to accelerate simulations across a wide range of disciplines in science and engineering. Compared to traditional numerical solvers, SimNet addresses a wide range of use cases - coupled forward simulations without any training data, inverse and data assimilation problems. SimNet offers fast turnaround time by enabling parameterized system representation that solves for multiple configurations simultaneously, as opposed to the traditional solvers that solve for one configuration at a time. SimNet is integrated with parameterized constructive solid geometry as well as STL modules to generate point clouds. Furthermore, it is customizable with APIs that enable user extensions to geometry, physics and network architecture. It has advanced network architectures that are optimized for high-performance GPU computing, and offers scalable performance for multi-GPU and multi-Node implementation with accelerated linear algebra as well as FP32, FP64 and TF32 computations. In this paper we review the neural network solver methodology, the SimNet architecture, and the various features that are needed for effective solution of the PDEs. We present real-world use cases that range from challenging forward multi-physics simulations with turbulence and complex 3D geometries, to industrial design optimization and inverse problems that are not addressed efficiently by the traditional solvers. Extensive comparisons of SimNet results with open source and commercial solvers show good correlation.

研究の動機と目的

• 複雑な3D幾何学とマルチ物理結合を扱う高速で柔軟なPDEソルバーの必要性を動機付ける。
• 訓練データに依存せず、前方・逆・データ同化問題を実行できるAI駆動フレームワークを紹介する。
• アーキテクチャ、損失重み付け、幾何/ PDEモジュールを提示し、産業規模の問題に対処する。
• 乱流、複雑な幾何、設計最適化、逆問題を含む実世界のユースケースを示す。

提案手法

• 物理ベースの残差を用いて微分可能なネットワークを訓練し、PDE解を近似するニューラルネットソルバーを定式化する。
• 空間的に可変な項を含む残差と制約残差を合計し、Signed Distance Function (SDF)重み付けを含む損失関数を用いる。
• 自動微分を組み込み、残差のPDE導関数を計算し、確率的勾配法（例：Adam）で最適化する。
• 複雑な3D幾何を扱うためのジオメトリモジュール（CSG/TG）と点群生成を統合し、パラメータ化設計空間を可能にする。
• フーリエ特徴ネットワーク、改良フーリエ特徴ネットワーク、SiReNsなどの高度なアーキテクチャを適用し、スペクトルバイアスを緩和して収束性を向上させる。
• 象徴的方程式（SymPy）を用いたPDEモジュール（Navier–Stokes、拡散、対流拡散、波、弾性）を統合し、拡張性を確保する。

実験結果

リサーチクエスチョン

• RQ1 SimNetは、訓練データなしで複雑な3D幾何と多物理問題を高レイノルズ数で正確に解けるのか？
• RQ2 幾何学的パラメータ化と損失重み付け（SDFベースの重み付けを含む）が収束と精度にどのように影響するか？
• RQ3 SimNetは設計最適化と逆問題を、従来のソルバーよりも多パラメータ幾何で効率的に実行できるのか？
• RQ4 高度なネットワークアーキテクチャが産業規模のPDEの訓練収束と解精度に与える影響は？
• RQ5 前方解はOpenFOAMや商用ソルバーと、乱流・幾何・反演のタスク全体でどのように比較されるか？

主な発見

Case Description	P_drop (Pa)	T_peak (°C)
SimNet: Fourier network (axis spectrum)	25.47	73.01
SimNet: Fourier network (partial spectrum) with symmetry	29.03	72.36
SimNet: Modified Fourier network	29.17	72.52
SimNet: SiReN	29.70	72.00
OpenFOAM Solver	27.82	56.54
Commercial Solver	24.04	72.44

• SimNetは乱流や複雑な幾何を含むケースでOpenFOAMおよび商用ソルバーと良好な相関を達成する。
• SDFを含む損失重み付けと高度なアーキテクチャが収束と精度を改善し、いくつかのテストで標準の全結合モデルを上回る。
• マルチ物理設計最適化では、SimNetが幾何をパラメータ化して単一の訓練モデルで多数の設計を評価し、プロセスを大幅に加速する。
• 乱流共役熱伝達問題では、SimNet系（フーリエベース）はいくつかのベースラインと比べて、圧力損失とピーク温度の結果が有利に出る。
• NVSwitchヒートシンク最適化は、パラメータ化ニューラルネットワークによるOpenFOAMおよび商用ソルバーに対して、オーダーオブマグニチュードの高速化（最大約135k×）を示す。