[論文レビュー] Reconstruction of Simulation-Based Physical Field with Limited Samples by ReConNN.

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

Cell Image Analysis Techniques参考文献 42被引用数 2

ひとこと要約

本稿では、限られたシミュレーションサンプルから物理的場を再構築するための新しい深層学習フレームワークReConNNを提案する。ReConNNは、畳み込み層内に畳み込み層を組み込む（CIC）ネットワークと、ワサーベルGANに基づく自己符号化器（WGAN-CAE）を組み合わせたものである。CNNを回帰マッピングに、GANを高精度な疑似等高線生成に活用することで、計算コストを低減しつつ、応力、ひずみ、変形場の再構築を高精度に実現する。本手法は、回帰および生成タスクの両面で、標準的なCNNおよびGANアーキテクチャを上回る性能を発揮する。

ABSTRACT

A variety of modeling techniques have been developed in the past decade to reduce the computational expense and increase the calculation accuracy. In this study, the distinctive characteristic compared to classical modeling models is from image based model to mechanical based model (e.g. stress, strain, and deformation). In such framework, a neural network architecture named ReConNN is proposed and the ReConNN mainly contains two neural networks that are CNN and GAN. A classical topology optimization is considered as an experimental example, and the CNN is employed to construct the mapping between contour images during topology optimization and compliance. Subsequently, the GAN is utilized to generate more contour images to improve the reconstructed model. Finally, the Lagrange polynomial is applied to complete the reconstruction. However, typical CNN architectures are commonly applied to classification problems, which appear powerless handling with regression of images for simulation problems. Meanwhile, the existing GAN architectures are insufficient to generate high-accuracy pseudo contour Therefore, a Convolution in Convolution (CIC) architecture and a Convolutional AutoEncoder based on Wasserstein Generative Adversarial Network (WGAN-CAE) architecture are suggested. Specially, extensive experiments and comparisons with existing architectures of CNN and GAN demonstrate that the CIC is highly accurate and corresponding computational cost also can be significantly reduced when handling the regression problem of contour images, and the WGAN-CAE achieves significant improvements on generating contour images. The results demonstrate that the proposed ReConNN has a potential capability to reconstruct physical field for further researches, e.g. optimization.

研究の動機と目的

• 機械的解析における限られたシミュレーションサンプルから物理的場を再構築する課題に対処すること。
• シミュレーションデータの画像回帰に際して、標準的なCNNの限界を克服すること。
• 疎なシミュレーションデータに対する疑似等高線生成の品質と精度を向上させること。
• シミュレーションベースの物理的場モデリングにおいて、再構築の忠実度を維持しつつ計算コストを低減すること。

提案手法

• 機械的シミュレーションの等高線画像データに対する回帰性能を向上させるために、畳み込み層内に畳み込み層を組み込む（CIC）アーキテクチャを提案する。
• ワサーベルGANに基づく畳み込み自己符号化器（WGAN-CAE）を開発し、高精度な疑似等高線画像を生成する。
• CNN部は、トポロジー最適化における等高線画像と適合率値との間のマッピングを学習する。
• GAN部は、訓練データの拡張とモデルの一般化能力向上を目的として、合成された等高線画像を生成する。
• ラグランジュ多項式補間を用いて、生成済みデータおよび実際のデータから最終的な物理的場の再構築を完了する。
• CICを回帰に、WGAN-CAEを生成に統合することで、疎なサンプルからの物理的場のエンドツーエンド再構築を実現する。

実験結果

リサーチクエスチョン

• RQ1 CICベースのCNNアーキテクチャは、機械的シミュレーションの等高線画像を含む回帰タスクにおいて、標準的なCNNを上回る性能を発揮するか？
• RQ2 WGAN-CAEベースのGANは、再構築精度を向上させる高精細な疑似等高線画像を生成できるか？
• RQ3 ReConNNは、限られたシミュレーションサンプルから物理的場を再構築する際、従来のCNNおよびGANアーキテクチャと比較してどのように優れているか？
• RQ4 CICとWGAN-CAEの統合は、再構築精度を維持しつつ、計算コストをどの程度低減できるか？
• RQ5 提案されたフレームワークは、トポロジー最適化における応力、ひずみ、変形場の効果的な再構築を可能にするか？

主な発見

• CICアーキテクチャは、標準的なCNNと比較して、等高線画像の回帰タスクにおいて高い精度を達成し、計算コストの顕著な低減を実現した。
• WGAN-CAEベースのGANは、現実的で高精度な疑似等高線画像の生成において顕著な改善を示した。
• ReConNNは、シミュレーションベースの物理的場再構築における回帰および生成タスクの両面で、既存のCNNおよびGANアーキテクチャを上回った。
• CICとWGAN-CAEの統合により、限られたシミュレーションサンプルのみを用いても、物理的場の正確な再構築が可能となった。
• ラグランジュ多項式補間の活用により、再構築プロセスが効果的に完了され、滑らかで一貫性のある場の出力を確保した。
• 全体としてのフレームワークは、最適化およびシミュレーションベースのエンジニアリング設計への応用において強く期待できる。