[論文レビュー] Towards Fast Simulation of Environmental Fluid Mechanics with Multi-Scale Graph Neural Networks

Mario Lino, Stathi Fotiadis+2 more|arXiv (Cornell University)|May 5, 2022

Computational Physics and Python Applications被引用数 9

ひとこと要約

本稿では、不規則メッシュ上での環境流体力学のシミュレーションを、複数の解像度レベルにおける空間的・時間的ダイナミクスを学習することで高速化するマルチスケールグラフニューラルネットワーク、MultiScaleGNNを紹介する。従来のソルバーと比較して2〜4桁の高速化を達成しながらも、高い精度を維持し、未学習の幾何形状やレイノルズ数に対しても一般化可能である。

ABSTRACT

Numerical simulators are essential tools in the study of natural fluid-systems, but their performance often limits application in practice. Recent machine-learning approaches have demonstrated their ability to accelerate spatio-temporal predictions, although, with only moderate accuracy in comparison. Here we introduce MultiScaleGNN, a novel multi-scale graph neural network model for learning to infer unsteady continuum mechanics in problems encompassing a range of length scales and complex boundary geometries. We demonstrate this method on advection problems and incompressible fluid dynamics, both fundamental phenomena in oceanic and atmospheric processes. Our results show good extrapolation to new domain geometries and parameters for long-term temporal simulations. Simulations obtained with MultiScaleGNN are between two and four orders of magnitude faster than those on which it was trained.

研究の動機と目的

• 複雑な領域における非定常的・マルチスケールな流体動力学のシミュレーションにおいて、従来の数値ソルバーが抱える計算ボトルネックを解消すること。
• 可変解像度を持つ不規則で不規則なメッシュ領域を扱う際の畳み込みニューラルネットワーク（CNN）の限界を克服すること。
• 多様な領域幾何形状や物理的パrameterに一般化可能な、微分可能でスケーラブルなディープラーニングフレームワークを構築すること。
• 複数の空間スケールに跨るグラフベースのメッセージパッシングを用いて、広義の意味での対流および非圧縮性流れの高速かつ正確で適応的なシミュレーションを可能にすること。
• 高次数の数値ソルバーと比較して、推論時間を著しく短縮しながらも、忠実な精度を維持するサーヴィレートモデルの構築

提案手法

• 物理的領域を不規則なノード集合に離散化することで、柔軟な空間解像度と複雑な境界表現を可能にする。
• L 個の階層的グラフを有するマルチスケールグラフニューラルネットワーク（MultiScaleGNN）を設計し、それぞれが異なる解像度レベルを表す。
• 各スケールにメッセージパッシング（MP）層を適用し、ノード間で情報を伝搬・集約する。グラフプーリングを用いて粗大化を行い、マルチスケール表現を生成する。
• 幾何学的および物理的構造をスケール間で保持する学習可能な粗大化戦略を採用し、適応的リファインメントを可能にする。
• 速度場およびスカラー場の平均絶対誤差（MAE）に基づく損失関数を用いて、エンドツーエンドで次ステップの状態を予測するようにモデルを学習する。
• 固定グリッド制約からモデルを分離することで、再トレーニングなしに新しいメッシュ解像度や領域トポロジーに一般化可能になる。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールグラフニューラルネットワークは、可変解像度を持つ不規則なメッシュ領域において、非定常的流体動力学を効果的にシミュレートできるか？
• RQ2 複数の解像度レベルを組み込むことで、レイノルズ数などの未学習の物理的パラメータや領域幾何形状への一般化性能がどのように向上するか？
• RQ3 再トレーニングなしに、新しいメッシュ解像度や適応的再メッシュ戦略にどの程度一般化できるか？
• RQ4 従来のGNNおよびCNNベースのソルバーと比較して、精度および推論速度の面でモデルの性能はどの程度向上するか？
• RQ5 従来の数値ソルバーと比較して顕著な高速化を達成しつつ、長時間にわたるシミュレーションでも精度を維持できるか？

主な発見

• MultiScaleGNNは、トレーニングデータの生成に用いられた高次数の数値ソルバーと比較して、推論速度が2〜4桁の高速化を達成している。
• 非圧縮性流れのシミュレーションにおいて、L=4の設定でNSMidReテストセットにおいて平均絶対誤差（MAE）が2.825×10⁻²を達成し、同じ層数の単一スケールGNN（MAE 3.081×10⁻²）を顕著に上回っている。
• 500〜1000の範囲外の未学習のレイノルズ数（300〜1500）に対しても、視覚的に現実的な予測を示しており、良好な一般化性能を示している。
• 対流問題では、L=1またはL=2で最も低いMAEが達成されており、これは局所的な伝搬ダイナミクスが粗大化スケールのモデリングによりあまり恩恵を受けないことを示唆している。
• 円、正方形、楕円、スプラインベースの障害物を含む新しい領域幾何形状に対しても、低周波数および高周波数の特徴を正確に輸送するなど、強力な外挿挿性能を示している。
• ノード間隔を小さくするにつれてMAEが線形に減少する傾向を示しており、モデルが精度を向上させるために適応的再メッシュ戦略と整合していることが確認された。