[논문 리뷰] A weighted first-order formulation for solving anisotropic diffusion equations with deep neural networks

Hui Xie, Chuanlei Zhai외 2명|arXiv (Cornell University)|2022. 04. 29.

Nanofluid Flow and Heat Transfer인용 수 10

한 줄 요약

이 논문은 비균질한 열확산계수 텐서를 가진 비등방성 확산 방정식의 딥뉴럴넷 해법을 향상시키기 위해 가중치가 부여된 일阶형식을 제안한다. 열역학적 유량을 텐서의 고유벡터를 따라 분해하고, 경계 근처에 감쇠하는 가중치 함수를 적용함으로써, 특히 비연속적인 경우에 정확도를 향상시키면서도 표준 PINNs와 유사한 계산 효율성을 유지한다.

ABSTRACT

In this paper, a new weighted first-order formulation is proposed for solving the anisotropic diffusion equations with deep neural networks. For many numerical schemes, the accurate approximation of anisotropic heat flux is crucial for the overall accuracy. In this work, the heat flux is firstly decomposed into two components along the two eigenvectors of the diffusion tensor, thus the anisotropic heat flux approximation is converted into the approximation of two isotropic components. Moreover, to handle the possible jump of the diffusion tensor across the interface, the weighted first-order formulation is obtained by multiplying this first-order formulation by a weighted function. By the decaying property of the weighted function, the weighted first-order formulation is always well-defined in the pointwise way. Finally, the weighted first-order formulation is solved with deep neural network approximation. Compared to the neural network approximation with the original second-order elliptic formulation, the proposed method can significantly improve the accuracy, especially for the discontinuous anisotropic diffusion problems.

연구 동기 및 목표

• 표준 물리기반신경망(PINNs)이 비균질한 확산계수 텐서를 가진 비등방성 확산 문제를 해결할 때 정확도가 떨어지는 문제를 해결한다.
• 왜곡되거나 매우 비등방적인 메쉬에서 전통적인 유한체적 방법의 한계를 극복하기 위해 메쉬에 의존하지 않는 딥러닝 기반 접근법을 활용한다.
• 특히 확산계수 텐서가 비연속적인 물질 경계에서의 비등방성 열유량의 근사치를 향상시킨다.
• 비연속적인 확산계수 텐서가 존재하더라도 점별로 잘 정의된 형식을 개발하여 수치적 안정성을 확보한다.
• 고차원적이고 복잡한 비등방성 확산 문제에서 이 방법의 강건성과 확장 가능성을 입증한다.

제안 방법

• 확산계수 텐서의 고유벡터를 따라 비등방성 열유량을 두 성분으로 분해하여 문제를 두 개의 등방성 유량 근사 문제로 변환한다.
• 경계에서 비연속성이 발생하는 지역에 가까이 갈수록 감쇠하는 가중치 함수를 적용한 가중치가 부여된 일阶형식을 도입한다.
• 가중치 함수의 감쇠 성질을 활용하여 비연속성에서 형식이 잘 정의되고 안정되도록 보장한다.
• 딥뉴럴넷을 가중치가 부여된 일阶형식을 손실 함수로 사용하여 훈련함으로써 메쉬 없이 점별로 PDE를 해석한다.
• 공정한 비교와 유사한 효율성을 확보하기 위해 표준 PINNs와 동일한 신경망 아키텍처와 훈련 설정을 유지한다.
• 정적 및 시간에 따라 변화하는 문제, 3차원 사례를 포함한 다양한 문제에 적용하여 확장성과 강건성을 검증한다.

실험 결과

연구 질문

• RQ1 고유벡터 기반의 열유량 분해를 통한 일阶형식이 비등방성 확산 문제의 딥뉴럴넷 해법 정확도를 향상시킬 수 있는가?
• RQ2 가중치가 부여된 일阶형식은 물질 경계에서 확산계수 텐서의 비연속성 문제를 어떻게 다루는가?
• RQ3 비연속적인 비등방성 경우에서 표준 PINNs에 비해 정확도를 크게 향상시키면서도 계산 효율성을 유지하는가?
• RQ4 기울어지거나 공간에 따라 변화하는 비등방성 필드에서 주된 확산 방향에 따라 열유량이 정렬되는지를 효과적으로 포착할 수 있는가?
• RQ5 특히 3차원 문제에서 기존의 메쉬 기반 방법과 비교해 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 강한 비연속성 사례에서 가중치가 부여된 일阶형식 PINN(가중치 FO-PINN)은 이산 상대 $L_2$-노름 오차가 $6.90 \times 10^{-2}$로 나타나, 기본 PINN의 $1.01$과 비교해 뚜렷한 정확도 향상을 보였다.
• 국소 소스가 있는 기울어진 비등방성 확산 문제에서 가중치 FO-PINN 해는 기준 유한체적 해와 매우 유사하며, 주된 확산 방향에 따라 열유량이 정확히 정렬되어 있음을 보였다.
• 공간에 따라 변화하는 비등방성 확산 문제에서 해의 프로파일을 성공적으로 포착하였으며, 문헌에 기록된 기존 수치적 방법과 유사한 최대 해 값에 도달하였다.
• 동일한 신경망 아키텍처와 훈련 절차를 사용하기 때문에 표준 PINNs와 유사한 계산 효율성을 유지하였다.
• 3차원 테스트 결과는 이 방법이 고차원 문제에서 '차원의 저주'에 심각하게 영향을 받지 않음을 보여주었으며, 고차원 PDE에 대한 잠재적 가능성을 보였다.
• 경험적으로, 비연속 경계에서 가중치 함수의 전이 폭 $\epsilon = 0.01$가 최적의 정확도를 제공하는 것으로 나타났으며, 매끄러운 경우에서는 기계 정밀도 설정만으로도 충분하였다.