[論文レビュー] The Potential of Machine Learning to Enhance Computational Fluid Dynamics.

Ricardo Vinuesa, Steven L. Brunton|arXiv (Cornell University)|Oct 5, 2021

Model Reduction and Neural Networks参考文献 132被引用数 34

ひとこと要約

本論文は、物理則を組み込んだ学習を用いることで、機械学習が直接数値シミュレーション、乱流モデル化、低次元モデルの加速および向上にどのように寄与するかを調査している。機械学習の潜在能力を十分に発揮させるには、オープンな基準、再現可能性のある研究、ベンチマーク手法の整備が不可欠であると強調している。

ABSTRACT

Machine learning is rapidly becoming a core technology for scientific computing, with numerous opportunities to advance the field of computational fluid dynamics. This paper highlights some of the areas of highest potential impact, including to accelerate direct numerical simulations, to improve turbulence closure modelling, and to develop enhanced reduced-order models. In each of these areas, it is possible to improve machine learning capabilities by incorporating physics into the process, and in turn, to improve the simulation of fluids to uncover new physical understanding. Despite the promise of machine learning described here, we also note that classical methods are often more efficient for many tasks. We also emphasize that in order to harness the full potential of machine learning to improve computational fluid dynamics, it is essential for the community to continue to establish benchmark systems and best practices for open-source software, data sharing, and reproducible research.

研究の動機と目的

• 機械学習が計算流体力学に応用される高インパクトな分野を特定すること。
• 物理法則を機械学習モデルに統合することで、シミュレーションの精度と効率がどのように向上するかを調査すること。
• ML強化CFD分野におけるコミュニティ全体のオープンソースソフトウェアの採用、データ共有、再現可能性のある研究手法の推進を提唱すること。

提案手法

• 流体シミュレーションにおける一般化性と信頼性を向上させるために、機械学習アーキテクチャに物理的制約を統合すること。
• 高精度なデータから複雑な流れのダイナミクスを学習することで、データ駆動型モデルを用いて直接数値シミュレーションを加速すること。
• 従来の経験的モデルを置き換えたり改良したりする目的で、乱流閉じ込めモデルのための物理則を組み込んだニューラルネットワークを開発すること。
• 主要な流れの特徴を低コストで捉えるために、機械学習を活用した強化された低次元モデルを構築すること。
• 既存の高精度なシミュレーションデータを活用して、流動状態の異なる領域に一般化するMLモデルを訓練すること。
• 再現可能性とCFDにおけるMLのコミュニティ全体での採用を確保するためのベンチマークシステムとベストプラクティスを確立すること。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、流体の直接数値シミュレーションをどのように加速できるか？
• RQ2 物理則を組み込んだ機械学習は、乱流閉じ込めモデル化をどのように改善できるか？
• RQ3 物理的整合性を保ちながら、機械学習を用いて低次元モデルをどのように強化できるか？
• RQ4 オープンデータ、オープンソースソフトウェア、再現可能性のある研究手法は、MLベースCFDの発展において果たす役割は何か？
• RQ5 効率性と正確性の観点から、物理則を組み込んだMLモデルは古典的手法とどのように比較できるか？

主な発見

• 機械学習は、高精度なデータから複雑な流れのダイナミクスを学習することで、直接数値シミュレーションを顕著に加速できる。
• 物理則を組み込んだ機械学習は、純粋にデータ駆動型のアプローチに比べて、乱流閉じ込めモデルの正確性と頑健性を向上させる。
• 機械学習に基づく強化された低次元モデルは、著しく低い計算コストで高い忠実度を達成できる。
• MLモデルに物理的制約を組み込むことで、流体力学の応用においてより良い一般化性と解釈可能性が得られる。
• 特定のタスクでは古典的手法が依然としてより効率的であるため、ハイブリッド的または選択的なML統合の必要性が浮き彫りになる。
• オープンベンチマーク、共有データ、再現可能なワークフローの整備は、CFDにおけるMLの長期的発展にとって不可欠である。