[論文レビュー] Poisson CNN: Convolutional Neural Networks for the Solution of the Poisson Equation with Varying Meshes and Dirichlet Boundary Conditions

Ali Girayhan Özbay, Sylvain Laizet+3 more|arXiv (Cornell University)|Oct 18, 2019

Model Reduction and Neural Networks参考文献 8被引用数 15

ひとこと要約

この論文では、変動するメッシュとディリクレ境界条件を伴う2次元ポアソン方程式を、均一なポアソン問題と4つの非同次ラプラス部分問題に分解することで解く、完全畳み込みニューラルネットワーク（Poisson CNN）を提案する。モデルは解析的テストケースで平均15%の誤差を達成し、トレーニング時に見られなかったより密度の高いメッシュに対しても一般化できており、計算流体力学における大規模なポアソン方程式の高速化に有望である。

ABSTRACT

The Poisson equation is commonly encountered in engineering, including in computational fluid dynamics where it is needed to compute corrections to the pressure field. We propose a novel fully convolutional neural network (CNN) architecture to infer the solution of the Poisson equation on a 2D Cartesian grid of varying size and spacing given the right hand side term, arbitrary Dirichlet boundary conditions and grid parameters which provides unprecendented versatility in this application. The boundary conditions are handled using a novel approach by decomposing the original Poisson problem into a homogeneous Poisson problem plus four inhomogeneous Laplace sub-problems. The model is trained using a novel loss function approximating the continuous $L^p$ norm between the prediction and the target. Analytical test cases indicate that our CNN architecture is capable of predicting the correct solution of a Poisson problem with mean percentage errors of 15% and promises improvements in wall-clock runtimes for large problems. Furthermore, even when predicting on meshes denser than previously encountered, our model demonstrates encouraging capacity to reproduce the correct solution profile.

研究の動機と目的

• 任意のメッシュサイズと間隔を伴う変動する2次元デカルトグリッド上で、ポアソン方程式を効率的に解ける深層学習モデルの開発を目的とする。
• 各新しい設定に対して再トレーニングを必要とせずに、解の精度を損なわずに複雑なディリクレ境界条件を処理できる手法の開発を目的とする。
• 大規模な問題に対して従来の数値スカラーと比較して、壁時計速度の向上が見込まれる高速推論を可能にする。
• 連続的な$L^p$ノルムを近似する損失関数を設計し、一般化性能と解の忠実度を向上させる。

提案手法

• 境界効果を分離するために、元のポアソン問題を均一なポアソン問題と4つの非同次ラプラス部分問題に分解する。
• 右辺項、境界条件、グリッドパラメータを含む入力特徴を処理する完全畳み込みニューラルネットワーク（CNN）アーキテクチャを採用する。
• 予測解と真値解の間の連続的$L^p$ノルムを近似する新しい損失関数を採用し、解の精度を向上させる。
• 一般化性能を向上させるために、多様なメッシュ構成と境界条件を伴う合成的解析的テストケースでモデルをトレーニングする。
• サイズや間隔などのグリッドパラメータを入力特徴として組み込み、未観測のメッシュ解像度に対してもゼロショット推論を可能にする。
• グリッド構造に依存せずにディリクレデータの影響を学習できる境界条件エンコーディングを適用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、再トレーニングを伴わずに、サイズや間隔が変動する2次元グリッド上でポアソン方程式を一般化して解くことができるか？
• RQ2 トレーニングセットよりも密度の高いメッシュ上でテストされた場合、CNNモデルはポアソン方程式の解をどの程度正確に予測できるか？
• RQ3 ラプラス部分問題にポアソン問題を分解することで、解の忠実度と一般化性能が向上するか？
• RQ4 連続的$L^p$ノルムに基づく損失関数は、標準的な離散損失関数と比較して、解の精度をどの程度向上させるか？

主な発見

• Poisson CNNモデルは、解析的テストケースで平均15%の誤差を達成しており、ポアソン方程式に対する強力な予測精度を示している。
• トレーニング時に観測されたものよりも密度の高いメッシュに対しても、効果的に一般化できており、正しい解のプロファイルを正確に再現している。
• 均一な問題と非均一な部分問題に分解することで、多様な設定においてディリクレ境界条件を正確に処理できる。
• 新しい$L^p$ノルムに基づく損失関数は、元の偏微分方程式の連続的性質をよりよく近似することで、解の忠実度を向上させた。
• 特に計算流体力学などの応用分野において、大規模なポアソン方程式の解法において壁時計速度の向上が見込まれる。
• アーキテクチャは、グリッドパラメータの変化に対しても性能を維持しており、再トレーニングなしにメッシュの非一様性に対しても頑健であることが示された。