[논문 리뷰] Accurately Solving Physical Systems with Graph Learning

Han Shao, Tassilo Kugelstadt외 5명|arXiv (Cornell University)|2020. 06. 06.

Model Reduction and Neural Networks참고 문헌 55인용 수 4

한 줄 요약

이 논문은 물리 시뮬레이션에서 반복적 해법기의 초깃값을 예측하기 위해 그래프 네트워크(GN)를 사용하는 것을 제안하며, 수렴 속도를 크게 향상시키면서도 장기적 안정성을 유지한다. 위치 기반 동역학(PBD)에서 표준적인 초깃값을 GN이 예측한 것으로 대체함으로써, 복잡한 로드 시뮬레이션(충돌 및 대규모 나무 모델 포함)에서 반복 횟수를 최대 17% 감소시켰으며, 정확도나 안정성에 영향을 주지 않았다.

ABSTRACT

Iterative solvers are widely used to accurately simulate physical systems. These solvers require initial guesses to generate a sequence of improving approximate solutions. In this contribution, we introduce a novel method to accelerate iterative solvers for physical systems with graph networks (GNs) by predicting the initial guesses to reduce the number of iterations. Unlike existing methods that aim to learn physical systems in an end-to-end manner, our approach guarantees long-term stability and therefore leads to more accurate solutions. Furthermore, our method improves the run time performance of traditional iterative solvers. To explore our method we make use of position-based dynamics (PBD) as a common solver for physical systems and evaluate it by simulating the dynamics of elastic rods. Our approach is able to generalize across different initial conditions, discretizations, and realistic material properties. Finally, we demonstrate that our method also performs well when taking discontinuous effects into account such as collisions between individual rods. Finally, to illustrate the scalability of our approach, we simulate complex 3D tree models composed of over a thousand individual branch segments swaying in wind fields. A video showing dynamic results of our graph learning assisted simulations of elastic rods can be found on the project website available at http://computationalsciences.org/publications/shao-2021-physical-systems-graph-learning.html .

연구 동기 및 목표

• 반복적 해법기의 런타임 효율성을 향상시키되, 장기적 안정성을 훼손하지 않도록 하는 것.
• 물리 시뮬레이션을 위한 엔드 투 엔드 딥 러닝 접근법에서 흔히 발생하는 불안정성과 낮은 일반화 능력을 해결하는 것.
• 탄성 로드와 동적 나무 모델과 같은 복잡한 물리 시스템의 빠르고 안정적이며 일반화 가능한 시뮬레이션을 가능하게 하는 것.
• GN이 고품질의 초깃값을 예측함으로써 기존의 전통적 해법기를 효과적으로 가속화할 수 있음을 입증하는 것.

제안 방법

• 제약 프로젝션 단계의 결과를 예측하는 그래프 네트워크(COPINGNet)를 훈련시어, 반복적 해법기의 초깃값으로 사용한다.
• 전통적인 PBD 해법기의 안정성은 유지하면서, GN이 예측한 초깃값을 통해 수렴 속도를 향상시킨다.
• 훈련 데이터는 다양한 초기 조건, 이산화 수준, 재질 특성을 가진 탄성 로드의 기본 PBD 시뮬레이션을 통해 생성된다.
• 충돌 처리는 선분-선분 및 반공간 제약을 통해 구현되며, 효율적인 탐지에는 계층적 공간 해싱을 사용한다.
• GN은 엔드 투 엔드로 사용되지 않고, 오직 초깃값 예측에만 사용되며, 이로 인해 해법기의 본질적 안정성이 유지된다.
• 이 방법은 1,000개 이상의 세그먼트를 가진 3D 나무 시뮬레이션을 포함해, 로드 굽힘, 로드 충돌, 대규모 3D 나무 시뮬레이션에서 평가되었다.

실험 결과

연구 질문

• RQ1 그래프 네트워크를 사용하여 물리 시뮬레이션에서 반복적 해법기를 가속화할 수 있는가? 이때 장기적 안정성이 훼손되지 않는가?
• RQ2 GN이 예측한 초깃값은 다양한 로드 이산화 수준, 재질 특성, 초기 조건에 대해 얼마나 잘 일반화되는가?
• RQ3 이러한 방법은 로드 충돌과 같은 비연속적 사건이나 동적 나무와 같은 복잡한 기하학적 구조를 처리할 수 있는가?
• RQ4 반복 횟수 감소와 런타임 가속도 측면에서 얼마나 높은 성능 향상을 기대할 수 있는가?

주요 결과

• GN 기반의 초깃값 예측으로 반복 횟수를 감소시켜, 10개의 로드로 구성된 나무 모델에서는 17.0%의 런타임 가속도를 달성했으며, 70개의 로드 모델에서는 11.1%의 가속도를 기록했다. 이는 신경망 추론 시간을 포함한 결과이다.
• 나선형 로드가 지면에 닿는 시뮬레이션에서는 10%의 가속도를 기록했고, 로드 충돌 시나리오에서는 6%의 가속도를 기록하여 비연속적 사건에 대한 강건성을 입증했다.
• GN이 해당 구성에 대해 훈련되지 않은 경우에도 다양한 로드 이산화 수준과 기하학적 구조에 대해 일반화가 관찰되었으며, 물리적 일관성에 대한 강력한 인덕티브 바이어스를 지닌 것으로 나타났다.
• 엔드 투 엔드 학습과 달리, 이 방법은 극한의 변형이나 분포 외부 조건에서도 장기적 안정성을 유지하고 발산을 방지했다.
• 복잡한 시뮬레이션, 특히 1,000개 이상의 로드 세그먼트를 가진 3D 흔들리는 나무 시뮬레이션에서도 정확도와 물리적 타당성을 유지했다.
• 신경망이 일부 시나리오에 대해서만 훈련된 경우에도, GN이 예측한 초깃값은 표준 초깃값(예: 이전 시간 단계 값)보다 수렴 속도와 안정성 면에서 뛰어난 성능을 보였다.