[論文レビュー] Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey

Haixin Wang, Yadi Cao+14 more|arXiv (Cornell University)|Aug 22, 2024

Model Reduction and Neural Networks被引用数 29

ひとこと要約

CFDの機械学習をデータ駆動代替案、物理情報代替案、ML支援数値解法の3つに分類し、逆設計/制御と応用も扱う、最新かつ総合的な調査（2020–2024）。

ABSTRACT

This paper explores the recent advancements in enhancing Computational Fluid Dynamics (CFD) tasks through Machine Learning (ML) techniques. We begin by introducing fundamental concepts, traditional methods, and benchmark datasets, then examine the various roles ML plays in improving CFD. The literature systematically reviews papers in recent five years and introduces a novel classification for forward modeling: Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions. Furthermore, we also review the latest ML methods in inverse design and control, offering a novel classification and providing an in-depth discussion. Then we highlight real-world applications of ML for CFD in critical scientific and engineering disciplines, including aerodynamics, combustion, atmosphere & ocean science, biology fluid, plasma, symbolic regression, and reduced order modeling. Besides, we identify key challenges and advocate for future research directions to address these challenges, such as multi-scale representation, physical knowledge encoding, scientific foundation model and automatic scientific discovery. This review serves as a guide for the rapidly expanding ML for CFD community, aiming to inspire insights for future advancements. We draw the conclusion that ML is poised to significantly transform CFD research by enhancing simulation accuracy, reducing computational time, and enabling more complex analyses of fluid dynamics. The paper resources can be viewed at https://github.com/WillDreamer/Awesome-AI4CFD.

研究の動機と目的

• ML研究者に対して基本的なCFD概念とベンチマークを紹介する。
• CFDにおけるML手法の新しい分類法を提案する：データ駆動代替案、物理情報代替案、ML支援数値解法。
• 過去5年間の文献を系統的にレビューし、前方モデリング、逆設計、制御に焦点を当てる。
• 分野横断の実世界アプリケーションを論じ、CFDのMLにおける課題と今後の方向性を明らかにする。

提案手法

• 前方モデリングのMLアプローチをデータ駆動代替案、物理情報代替案、ML支援数値解法に分類する。
• 新しい分類フレームワークを用いて逆設計と制御問題をレビューする。
• 気体力学、燃焼、大気/海洋科学、生物学的流体、プラズマ、シンボリック回帰、縮約モデル化などの応用を調査する。
• ベンチマークデータセットと評価シナリオを要約する（例：PDE、流れ問題）。
• 重要な課題を特定し、多尺度表現や科学的基盤モデルなどの今後の研究方向を提案する。

実験結果

リサーチクエスチョン

• RQ1 前方CFDモデリングに用いられる主要なML手法は何か、データの離散化と表現によってどう異なるか？
• RQ2 前方および逆CFD問題をMLフレームワーク内でどう系統的に分類できるか？
• RQ3 CFDにおけるMLの主要なデータセット、ベンチマーク、応用は何か、残る課題は何か？
• RQ4 物理知識のエンコードや基盤モデルを含む、CFDのMLを進展させる将来の方向性は何か？

主な発見

• MLは精度を向上させ、計算時間を短縮することによりCFDを大きく変革する可能性がある。
• 新しい分類法はCFDのMLをデータ駆動代替案、物理情報代替案、ML支援数値解法に分類する。
• 調査はCFD評価のためのPDEBench、DeepXDE、PINNacle、BLASTNetなどのベンチマーク/データセットを含む。
• 実世界の応用は、気体力学、燃焼、大気/海洋科学、生物学的流体、プラズマ、シンボリック回帰、縮約モデリングに及ぶ。
• 特定された主な課題には、マルチスケール表現、物理知識のエンコード、発見のための科学的基盤モデルの開発が含まれる。