[論文レビュー] Simulating Surface Wave Dynamics with Convolutional Networks

Mario Lino, Chris D. Cantwell+3 more|arXiv (Cornell University)|Dec 1, 2020

Aerodynamics and Fluid Dynamics Research被引用数 9

ひとこと要約

本稿では、浅い水方程式に従う表面波の動的挙動を、複雑な2次元幾何形状でシミュレートするための修正U-Net畳み込みニューラルネットワークを提案する。訓練データは直線壁のボックスと直角コーナーのみを対象としているが、曲線的で多角的な境界を持つ領域に対しても正確に一般化している。高速な高次スペクトル解法と比較して、推論速度が10,000倍以上速く、予測結果の時間分解能を4倍に向上させるために別個の3D CNNを用いて補間処理を実施している。

ABSTRACT

We investigate the performance of fully convolutional networks to simulate the motion and interaction of surface waves in open and closed complex geometries. We focus on a U-Net architecture and analyse how well it generalises to geometric configurations not seen during training. We demonstrate that a modified U-Net architecture is capable of accurately predicting the height distribution of waves on a liquid surface within curved and multi-faceted open and closed geometries, when only simple box and right-angled corner geometries were seen during training. We also consider a separate and independent 3D CNN for performing time-interpolation on the predictions produced by our U-Net. This allows generating simulations with a smaller time-step size than the one the U-Net has been trained for.

研究の動機と目的

• 単純な訓練幾何形状からのみ学習させることで、非自明な流体領域における表面波動の正確なシミュレーションを実現する深層学習モデルの開発。
• 完全畳み込みネットワーク（U-Net）が、訓練データに存在しない未確認の境界形状やトポロジーにどれほど一般化できるかの評価。
• 標準のCNNベースの物理モデルが有する固定時間ステップ制限を克服し、高時間分解能のシミュレーションを実現すること。
• 従来のPDE解法の置き換えまたは補完として、学習可能なサーモンモデルを導入することで、波動シミュレーションの推論時間を短縮すること。

提案手法

• U-Netは、幾何形状フィールド Ω と5つの連続する高さフィールドを入力とし、時間ステップ s+5 における次の高さフィールドを予測する。
• ネットワークは、Nektar++ を用いて固体壁および開放境界条件を伴う2次元非粘性浅い水方程式を解いて生成されたデータで学習される。
• 訓練データにはボックス形状と直角コーナー形状の幾何形状（データセットAおよびB）のみが含まれるが、テストでは曲線的で複雑な領域（C–G）が含まれる。
• 別個に訓練された3D CNNを用いて、U-Netの予測結果に対して時間補間を実施し、時間分解能を4倍に向上させている。
• データ拡張には、ランダムな回転、反転、クロッピング、および128×128解像度への線形補間が含まれ、一般化性能の向上を図っている。
• 高さフィールドは、最小-最大スケーリングを用いて平均値および最大値に基づいて正規化され、学習安定性の向上が図られている。

実験結果

リサーチクエスチョン

• RQ1 直線壁の幾何形状でのみ学習させたU-Netが、複雑で曲線的、多角的な境界を持つ領域においても、表面波動の挙動を正確にシミュレートできるか？
• RQ2 完全畳み込みネットワークが、訓練データに存在しない未確認の境界形状やトポロジーに、どの程度一般化できるか？
• RQ3 別個の3D CNNが、元の時間ステップサイズを超える高い時間分解能を得るために、予測結果を効果的に補間できるか？
• RQ4 提案された深層学習モデルの推論速度は、高次スペクトル/hp有限要素解法と比較してどの程度速いか？

主な発見

• U-Netは、ボックス形状とコーナー形状でのみ学習されたにもかかわらず、凸型、凹型、スプラインベース、楕円型の領域など、複雑な幾何形状に対しても正確に一般化している。
• モデルは、最先端のスペクトル/hp要素解法と比較して、推論速度が4桁以上速く、リアルタイム応用が可能である。
• 3D CNNは、再訓練を必要とせずに、予測結果の補間に成功し、時間分解能を4倍に向上させた。
• モデルは、波の伝播、反射、干渉、および鋭いコーナーや曲線的境界での回折現象を正確に捉えている。
• データ拡張および正規化は、特に未確認の領域形状や配置に対して一般化性能を顕著に向上させた。
• U-Netは、振幅や位置が異なる単一のドロップインパクトなど、多様な初期条件に対しても高い精度を維持している。