[論文レビュー] Physics-Constrained Bayesian Neural Network for Fluid Flow Reconstruction with Sparse and Noisy Data

Luning Sun, Jianxun Wang|arXiv (Cornell University)|Jan 15, 2020

Model Reduction and Neural Networks参考文献 42被引用数 15

ひとこと要約

本稿では、疎でノイジーな速度測定値から高分解能の流体流れ場を再構築するための物理的制約付きベイジアンニューラルネットワーク（PC-BNN）を提案する。物理的制約（ナビエ＝ストークス方程式）をベイジアン尤度関数に組み込み、スティン変分勾配降下法を用いて効率的な推論を実現することで、測定ノイズやモデル不適切性に起因する不確実性を定量的に評価可能な正確な流れ再構築が可能となり、ノイズの高い条件下でもデータフリーの物理的制約付き学習を著しく上回る性能を発揮する。

ABSTRACT

In many applications, flow measurements are usually sparse and possibly noisy. The reconstruction of a high-resolution flow field from limited and imperfect flow information is significant yet challenging. In this work, we propose an innovative physics-constrained Bayesian deep learning approach to reconstruct flow fields from sparse, noisy velocity data, where equation-based constraints are imposed through the likelihood function and uncertainty of the reconstructed flow can be estimated. Specifically, a Bayesian deep neural network is trained on sparse measurement data to capture the flow field. In the meantime, the violation of physical laws will be penalized on a large number of spatiotemporal points where measurements are not available. A non-parametric variational inference approach is applied to enable efficient physics-constrained Bayesian learning. Several test cases on idealized vascular flows with synthetic measurement data are studied to demonstrate the merit of the proposed method.

研究の動機と目的

• 医療画像診断や風力発電所の監視などの応用分野において、限られた、疎でノイジーな測定値から高分解能の流れ場を再構築する課題に対処すること。
• 測定ノイズやモデル不適切性に起因する不確実性を評価できないため、決定論的ディープラーニングモデルの限界を克服すること。
• ナビエ＝ストークス方程式を含む物理法則をベイジアン学習フレームワークに統合することで、再構築の精度と信頼性を向上させること。
• 測定ノイズとモデル形式の不確実性を確率的にモデル化することで、流れ再構築における不確実性の定量化を可能にすること。

提案手法

• 測定ノイズとモデル不適切性の両方を組み込んだ尤度関数を用いてベイジアンニューラルネットワークを学習させ、ネットワーク重みの事後分布を近似することで、流れ場の確率的推定を可能にする。
• 測定のない空間的・時系列的点におけるペナルティ項を用いて、ナビエ＝ストークス方程式を損失関数に直接埋め込むことで、物理的制約を強制する。
• 非パラメトリックな変分推論手法として、スティン変分勾配降下法を採用し、ネットワーク重みの事後分布を効率的に近似する。
• 境界条件をソフトに処理するため、ペナルティパラメータ（λ=0.1）を用いて、正確な境界データが不要な物理的一致性を維持する。
• フレームワークは、疎な測定データ上でエンドツーエンドに訓練され、低分解能でノイジーな入力を高分解能で不確実性を考慮した流れ場へ写像する関数を学習する。
• 事後分布により、平均的な流れ予測と予測不確実性（標準偏差）の両方を推定可能であり、平均と最大標準偏差として定量化される。

実験結果

リサーチクエスチョン

• RQ1 物理的制約付きベイジアンニューラルネットワークは、疎でノイジーな速度測定値から高分解能の流れ場を効果的に再構築できるか？
• RQ2 疎なラベル付きデータの導入により、データフリーのPDE制約付き学習と比較して、物理的制約付きディープラーニングの性能がどのように向上するか？
• RQ3 本手法は、測定ノイズのレベルが変化する条件下でも、流れ再構築における不確実性をどの程度正確に定量化できるか？
• RQ4 ベイジアン尤度関数を用いて物理法則を統合することで、再構築の精度と耐障害性はどのように向上するか？
• RQ5 本フレームワークにおいて、データの疎らかさと不確実性推定の忠実度の間にはどのようなトレードオフが生じるか？

主な発見

• 5%のノイズを伴う狭窄流において、PC-BNNはデータオンリーの場合の相対的平均誤差0.623を0.041に低減し、平均/標準偏差0.038/0.076の不確実性推定を実現した。
• 15%のノイズ条件下でも、PC-BNNは相対的平均誤差0.100を達成したのに対し、データオンリー再構築では0.941にとどまり、高いノイズ耐性を示した。
• 分岐流のシナリオでは、15%のノイズ下でPC-BNNの相対的平均誤差は0.173にまで低下し、データオンリーベースラインの1.000を著しく上回った。
• 15%のノイズ下で、PC-BNNは最大標準偏差0.325を推定し、ノイズ増加に伴い信頼性の低下が顕著に反映された。
• 弱いデータ依存性を持つPC-BNNは、データフリーの物理的制約付き学習と比較して、テスト誤差を1桁速やく低減した。これは、疎なデータが明確な利点をもたらすことを示している。
• 不確実性推定は良好にキャリブレーションされており、高ノイズ領域や複雑な流れ構造が存在する領域で標準偏差が高くなる傾向が観察された。