[논문 리뷰] Accelerating Eulerian Fluid Simulation With Convolutional Networks

Jonathan Tompson, Kristofer Schlachter외 2명|arXiv (Cornell University)|2016. 07. 13.

Computer Graphics and Visualization Techniques참고 문헌 25인용 수 296

한 줄 요약

논문은 데이터-드리븐 컨볼루션 네트워크를 통해 유체 시뮬레이션의 압력 투영 단계를 근사화하여 2D/3D 실시간 시뮬레이션 가능성과 경쟁력 있는 정확도 및 안정성을 제공한다. 학습을 비지도 발산 최소화로 프레이밍하고 Jacobi에 비해 상당한 속도 향상과 PCG와의 경쟁력 있는 결과를 보여준다.

ABSTRACT

Efficient simulation of the Navier-Stokes equations for fluid flow is a long standing problem in applied mathematics, for which state-of-the-art methods require large compute resources. In this work, we propose a data-driven approach that leverages the approximation power of deep-learning with the precision of standard solvers to obtain fast and highly realistic simulations. Our method solves the incompressible Euler equations using the standard operator splitting method, in which a large sparse linear system with many free parameters must be solved. We use a Convolutional Network with a highly tailored architecture, trained using a novel unsupervised learning framework to solve the linear system. We present real-time 2D and 3D simulations that outperform recently proposed data-driven methods; the obtained results are realistic and show good generalization properties.

연구 동기 및 목표

• 비압축성 Euler/Navier-Stokes 프레임워크에서 Poisson 압력 방정식을 푸는 계산 부담을 줄여 실시간 유체 시뮬레이션을 동기 부여한다.
• 연산 분할 Eulerian 솔버 내에서 압력 해를 근사하기 위한 데이터 기반 컨볼루션 네트워크를 개발한다.
• 고정된 계산 예산 하에서 장기적인 안정성과 발산-없는 속도장을 보장한다.
• 실제 압력 대상(target)을 피하고 다중 프레임 손실 보강을 가능하게 하기 위해 비지도 학습을 활용한다.]
• method":[

제안 방법

• 압력 투영을 학습된 선형 해로 공식화한다: p_t = f_conv( input divergence ∇·u*, geometry g_{t-1} ) and obtain û_t = u*_t − (1/ρ)∇p_t.
• 완전 합성곱, 다중 해상도 아키텍처를 사용하고 압력 병목을 가진 완전 합성곱, 다중 해상도 아키텍처를 사용하여 무의미한 해를 방지하고 장거리 효과를 포착한다.
• 예측 속도의 발산을 최소화하는 비지도 손실로 학습하며, 안정성을 높이기 위해 다중 미래 단계로 확장될 수 있다.
• 입력을 u*의 표준 편차로 규모 정규화(scale-normalize)하여 전역 스케일 불변성을 강제한다.
• Eulerian 프레임워크 내에서 표준 대류, 바디 포스 및 와류 구속과의 호환성을 유지한다.

실험 결과

연구 질문

• RQ1 CNN 기반 압력 해 근사치가 실시간 성능을 달성하면서도 긴 시퀀스에 걸쳐 안정적이고 발산이 없는 속도장을 유지할 수 있는가?
• RQ2 도메인 특화 ConvNet 아키텍처와 결합된 비지도 발산 최소화가 보지 못한 기하학 및 흐름에 일반화되는가?
• RQ3 2D/3D 시뮬레이션에서 속도와 시각적 신뢰도 면에서 데이터 기반 압력 투영이 Jacobi 및 PCG 솔버와 어떻게 비교되는가?

주요 결과

Geometry	PCG	Jacobi	small-model	this work
No geom	<1e-3	2.44	3.436	2.482
With geom	<1e-3	1.235	1.966	0.872

• 이 방법은 Jacobi보다 빠르게 실시간 압력 투영을 달성하고 복잡한 plume 및 기하 시나리오에서 PCG에 경쟁력 있는 결과를 제공합니다.
• 압력 병목이 있는 다중 해상도 ConvNet은 장거리 압력 효과를 효과적으로 모델링하고 시간 단계 간의 안정성을 유지합니다.
• 다중 프레임 발산 최소화를 포함한 비지도 학습은 단일 프레임 학습에 비해 장기 발산 성능을 향상시킵니다.
• 학습 기반 베이스라인과 비교하여 제안된 방법은 보지 않는 기하에 대한 일반화가 더 뛰어나고 3D 연기 시뮬레이션에서 합리적인 물리적 동작을 유지합니다.
• 전통적인 압력 해에 대한 드롭인 대체를 가능하게 하며 GPU 하드웨어에서 상당한 속도 향상을 제공합니다.