[論文レビュー] Unsupervised Deep Learning of Incompressible Fluid Dynamics

Nils Wandel, Michael Weinmann+1 more|arXiv (Cornell University)|Jun 15, 2020

Model Reduction and Neural Networks参考文献 24被引用数 7

ひとこと要約

この論文では、グリッドベースの表現を用いて、偏微分方程式（PDE）の残差を最小化する独自の損失関数を通じて、非圧縮性流体動力学をエンドツーエンドに学習する教師なし深層学習フレームワークを提案する。非圧縮性ナビエ-ストークス方程式の残差を最小化することで、高速で微分可能かつ物理的に整合性のある流体シミュレーションが可能となり、渦列やマグヌス効果といった複雑な現象を捉えることができる。GPU上でリアルタイムの推論が実現可能である。

ABSTRACT

Fast and stable fluid simulations are an essential prerequisite for applications ranging from computer aided aerodynamic design of automobiles or airplanes to simulations of physical effects in CGI to research in meteorology. Recent differentiable fluid simulations allow gradient based methods to optimize e.g. fluid control systems in an informed manner. Solving the partial differential equations governed by the dynamics of the underlying physical systems, however, is a challenging task and current numerical approximation schemes still come at high computational costs. In this work, we propose an unsupervised framework that allows powerful deep neural networks to learn the dynamics of incompressible fluids end to end on a grid-based representation. For this purpose, we introduce a loss function that penalizes residuals of the incompressible Navier Stokes equations. After training, the framework yields models that are capable of fast and differentiable fluid simulations and can handle various fluid phenomena such as the Magnus effect and Karman vortex streets. Besides demonstrating its real-time capability on a GPU, we exploit our approach in a control optimization scenario.

研究の動機と目的

• 非圧縮性流体動力学をシミュレートする微分可能でエンドツーエンドの深層学習フレームワークの開発。
• 流体動力学の従来の数値スケーラーに伴う計算コストの低減。
• 微分可能なシミュレーションを通じた流体制御システムにおける勾配ベース最適化の実現。
• 教師データが不要な状態で、マグヌス効果やカラマン渦列のような複雑な流体現象の学習。
• インタラクティブまたは最適化駆動の応用に適したリアルタイム推論性能の達成。

提案手法

• フレームワークは、構造化されたグリッド表現上での流体状態の時間発展を予測する深層ニューラルネットワークを用いる。
• 物理的整合性を保証するため、非圧縮性ナビエ-ストークス方程式の残差をペナルティとする損失関数を設計する。
• 運動量保存則と連続の法則の両方の残差を組み合わせることで、非圧縮性および運動量保存を確保する。
• 教師データとしての流体データを一切必要とせず、PDEの残差損失のみを用いて教師なしで学習を実施する。
• 微分可能な推論をサポートしており、制御パラメータの勾配ベース最適化が可能である。
• 標準的なPDEスケーラーから生成された合成流体データを用いて学習を行うことで、多様な流れの状態に一般化可能である。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、ナビエ-ストークス方程式の残差のみから非圧縮性流体動力学を学習できるか？
• RQ2 提案された教師なしフレームワークは、物理的正確性を維持したままリアルタイム推論を達成できるか？
• RQ3 教師なしの状態で、渦剥離やマグヌス効果のような複雑な流体現象に一般化できるか？
• RQ4 モデルの微分可能特性が、流体制御システムの最適化をどの程度サポートできるか？
• RQ5 速度と正確性の観点から、教師なしモデルは従来の数値スケーラーと比べてどの程度優れているか？

主な発見

• GPU上でリアルタイム推論が達成され、インタラクティブな流体シミュレーションが可能となった。
• フレームワークは、カラマン渦列やマグヌス効果といった複雑な流体動力学を効果的に捉えた。
• ナビエ-ストークス方程式の残差を最小化することで、教師なし学習スキームが物理的に整合性のあるシミュレーションを生成した。
• モデルの微分可能特性により、制御タスクにおける有効な勾配ベース最適化が可能となった。
• 教師データやファインチューニングを一切必要とせず、多様な流体設定に一般化可能であった。
• 物理的忠実性を維持したまま、従来の数値スケーラーと比較して計算コストを低減した。