[論文レビュー] Shape optimization in laminar flow with a label-guided variational autoencoder

Stephan Eismann, Stefan Bartzsch+1 more|arXiv (Cornell University)|Dec 10, 2017

Advanced Multi-Objective Optimization Algorithms参考文献 9被引用数 7

ひとこと要約

本稿では、2次元層流流れにおけるデータ駆動型形状最適化のため、ラベル誘導型変分オートエンコーダ（VAE）とガウス過程回帰を組み合わせた手法を提案する。ベイズ最適化を用いて抗力低減型の物体形状を発見可能となる。VAEと抗力予測器を同時に学習させることで一般化性能が向上し、最良の学習例よりも4–8%低い抗力係数を達成した。

ABSTRACT

Computational design optimization in fluid dynamics usually requires to solve non-linear partial differential equations numerically. In this work, we explore a Bayesian optimization approach to minimize an object's drag coefficient in laminar flow based on predicting drag directly from the object shape. Jointly training an architecture combining a variational autoencoder mapping shapes to latent representations and Gaussian process regression allows us to generate improved shapes in the two dimensional case we consider.

研究の動機と目的

• 流体力学的シミュレーションの高い計算コストを低減するため、偏微分方程式（PDE）ソルバーをデータ駆動型モデルに置き換えること。
• 物体形状の抗力予測における一般化性能を向上させるため、物体形状のラベル誘導型符号化を組み込むこと。
• 不確実性を考慮した回帰を用いた潜在空間探索により、流体力学的性能の効率的ベイズ最適化を可能とすること。
• VAEと抗力予測器の共同学習が、テスト性能において逐次学習を上回ることを示すこと。
• 明示的なパラメトリック設計を伴わず、2次元層流流れにおいて新規で低抗力形状を生成すること。

提案手法

• 2次元のバイナリ形状を連続的な潜在空間にエンコードする変分オートエンコーダ（VAE）と、形状を再構築するデコーダを用いる。
• 別個の「抗力ネット」が潜在ベクトルを予測抗力係数にマップし、VAEと共有損失目的関数を介して同時に学習される。
• スパーススペクトルガウス過程（GP）が潜在コードの関数として抗力係数をモデル化し、ベイズ最適化のための不確実性推定を提供する。
• 期待改善（EI）の獲得関数を潜在空間内で勾配上昇法により最適化し、形状生成を誘導する。
• 最適化は潜在分布内のランダムな点から開始され、形状はソーベルエッジ検出と抗力計算を用いて評価される。
• VAEと抗力ネットの共同学習は、損失関数の組み合わせにより実現され、ラベル誘導型表現学習が可能となる。

実験結果

リサーチクエスチョン

• RQ1 ラベル誘導型VAEは、標準VAEと比較して形状ベースの抗力予測における一般化性能を向上させることができるか？
• RQ2 VAEと抗力予測器の共同学習は、逐次学習と比較してより優れたテスト性能を示すか？
• RQ3 潜在空間におけるベイズ最適化により、学習データに含まれる形状よりも抗力が低い形状を発見できるか？
• RQ4 GP回帰による不確実性推定は、形状最適化における効率的探索をどのように支援するか？
• RQ5 データ駆動型モデルは、流体設計における高コストなナビエ＝ストークスシミュレーションの必要性をどの程度低減できるか？

主な発見

• 共同学習モデルは顕著な一般化性能向上を示し、最良の結果として0.52のスパーススペクトルGPテストMSEを達成したのに対し、別個学習モデルでは0.76であった。
• 最良の共同学習設定において、抗力ネットのテストMSEは0.54に達した。これは別個学習の0.92より優れている。
• 最適化後に得られた上位3形状すべてが、学習データ内で最良の形状よりも4–8%低い抗力係数を示した。
• 最良の共同学習設定では、テストセットにおける再構成損失が0.28にまで低下した。別個学習では0.50であったため、生成的忠実度が向上した。
• 繰り返しナビエ＝ストークス解法を実行する必要がなくなり、不確実性を考慮した最適化により潜在空間で有望な形状を直接生成できるようになった。
• VAEとGPに加えて抗力ネットを用いることで、明示的なパラメトリック設計を伴わず、効果的かつスケーラブルな形状探索が可能となった。