[論文レビュー] Reconstruction of Simulation-Based Physical Field by Reconstruction Neural Network Method

Yu Li, Hu Wang+2 more|arXiv (Cornell University)|Apr 19, 2018

Computer Graphics and Visualization Techniques参考文献 49被引用数 4

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）とワサーベインGANベースのオートエンコーダー（WGAN-CAE）を組み合わせた再構成ニューラルネットワーク（ReConNN）フレームワークを提案する。このフレームワークは、応力、ひずみ、熱伝達などの物理的場を、等高線画像から再構成することを目的としている。畳み込み内畳み込み（CIC）アーキテクチャと adversarial 学習を活用することで、標準のCNNやGANよりも優れた精度で、高精細な物理的場の再構成を実現している。トポロジー最適化におけるピンフィンヒートシンクの事例研究を通じて、有効性が検証された。

ABSTRACT

A variety of modeling techniques have been developed in the past decade to reduce the computational expense and improve the accuracy of modeling. In this study, a new framework of modeling is suggested. Compared with other popular methods, a distinctive characteristic is "from image based model to analysis based model (e.g. stress, strain, and deformation)". In such a framework, a reconstruction neural network (ReConNN) model designed for simulation-based physical field's reconstruction is proposed. The ReConNN contains two submodels that are convolutional neural network (CNN) and generative adversarial net-work (GAN). The CNN is employed to construct the mapping between contour images of physical field and objective function. Subsequently, the GAN is utilized to generate more images which are similar to the existing contour images. Finally, Lagrange polynomial is applied to complete the reconstruction. However, the existing CNN models are commonly applied to the classification tasks, which seem to be difficult to handle with regression tasks of images. Meanwhile, the existing GAN architectures are insufficient to generate high-accuracy "pseudo contour images". Therefore, a ReConNN model based on a Convolution in Convolution (CIC) and a Convolutional AutoEncoder based on Wasserstein Generative Adversarial Network (WGAN-CAE) is suggested. To evaluate the performance of the proposed model representatively, a classical topology optimization procedure is considered. Then the ReConNN is utilized to the reconstruction of heat transfer process of a pin fin heat sink. It demonstrates that the proposed ReConNN model is proved to be a potential capability to reconstruct physical field for multidisciplinary, such as structural optimization.

研究の動機と目的

• 多分野にまたがる工学的設計における、限られたシミュレーションデータから高精細な物理的場を再構成する課題に対処すること。
• 標準のCNNが回帰タスクにおいて抱える限界と、GANが物理的場のための正確な擬似等高線画像を生成する際の制限を克服すること。
• 応力、ひずみ、温度分布などの連続的物理的場を、データ効率的かつ高精度に再構成できるハイブリッドディープラーニングフレームワークを開発すること。
• 実世界の工学的文脈、特にピンフィンヒートシンクのトポロジー最適化において、このフレームワークを検証すること。

提案手法

• ReConNNフレームワークは、等高線画像から物理的場の値への特徴抽出とマッピングを強化するため、畳み込み内畳み込み（CIC）ネットワークを統合している。
• ワサーベインGAN（WGAN-CAE）に基づく畳み込みオートエンコーダーを採用し、本物のシミュレーションデータに類似した高品質な擬似等高線画像を生成している。
• CNNサブモデルは、入力の等高線画像とそれに対応する物理的場の目的関数との間のマッピングを学習し、回帰ベースの再構成を可能としている。
• GANコンポonentは、訓練分布を拡張する多様で妥当な物理的場のパターンを生成することで、一般化性能を向上させている。
• ラグランジュ多項式補間を適用し、全ドメインにわたる物理的場の再構成を精緻化・完成させている。
• フレームワークは、シミュレーションで生成されたデータ上でエンドツーエンドに訓練され、物理的場の忠実度に適した指標を用いて評価されている。

実験結果

リサーチクエスチョン

• RQ1 深層学習フレームワークは、スパarselyまたは限られたシミュレーションベースの等高線画像から連続的物理的場を効果的に再構成できるか？
• RQ2 CICとWGAN-CAEの統合は、物理的場モデリングにおいて、標準のCNNやGANと比較して再構成精度をどのように向上させるか？
• RQ3 ReConNNモデルは、構造的および熱的解析における未観測の物理的場の配置に、どの程度一般化できるか？
• RQ4 特にピンフィンヒートシンクのような複雑な幾何形状において、提案手法は物理的整合性と空間的正確性を維持できるか？

主な発見

• ReConNNモデルは、ベースラインのCNNおよびGANモデルと比較して、物理的場の微細な空間的詳細を保持する点で優れた再構成精度を達成した。
• CICの統合により、特徴表現が向上し、画像から場へのマッピングタスクにおける回帰性能が向上した。
• WGAN-CAEコンponentは、本物のシミュレーションデータに類似した高精細な擬似等高線画像を効果的に生成し、データ効率性を向上させた。
• ラグランジュ多項式補間は、全ドメインにわたる物理的場の再構成を的確に完了させ、滑らかで連続的な物理的場出力を保証した。
• ピンフィンヒートシンクの事例研究において、ReConNNは優れた一般化能力と精度を示し、トポロジー最適化および多分野設計への応用可能性を確認した。