[논문 리뷰] Artificial intelligence for partial differential equations in computational mechanics: A review

Yizheng Wang, Jinshuai Bai외 10명|arXiv (Cornell University)|2024. 10. 21.

Model Reduction and Neural Networks인용 수 15

한 줄 요약

이 논문은 계산역학에서 PDE를 위한 AI를 조사하여 PINNs, DEM, 연산자 학습, PINO를 다루고, 고체, 유체, 생체역학에의 응용과 순방향/역문제를 논의하며 기반 모델의 전망을 다룹니다.

ABSTRACT

In recent years, Artificial intelligence (AI) has become ubiquitous, empowering various fields, especially integrating artificial intelligence and traditional science (AI for Science: Artificial intelligence for science), which has attracted widespread attention. In AI for Science, using artificial intelligence algorithms to solve partial differential equations (AI for PDEs: Artificial intelligence for partial differential equations) has become a focal point in computational mechanics. The core of AI for PDEs is the fusion of data and partial differential equations (PDEs), which can solve almost any PDEs. Therefore, this article provides a comprehensive review of the research on AI for PDEs, summarizing the existing algorithms and theories. The article discusses the applications of AI for PDEs in computational mechanics, including solid mechanics, fluid mechanics, and biomechanics. The existing AI for PDEs algorithms include those based on Physics-Informed Neural Networks (PINNs), Deep Energy Methods (DEM), Operator Learning, and Physics-Informed Neural Operator (PINO). AI for PDEs represents a new method of scientific simulation that provides approximate solutions to specific problems using large amounts of data, then fine-tuning according to specific physical laws, avoiding the need to compute from scratch like traditional algorithms. Thus, AI for PDEs is the prototype for future foundation models in computational mechanics, capable of significantly accelerating traditional numerical algorithms.

연구 동기 및 목표

• 계산역학에서 복잡한 PDE를 해결하기 위한 유망한 접근법으로 데이터와 물리 법칙을 통합하는 AI4PDE를 촉진한다.
• 주요 AI for PDE 알고리즘(PINNs, DEM, 연산자 학습, PINO)과 그 이론적 기초를 요약하고 비교한다.
• 고체, 유체, 생체역학에서 순방향 및 역문제 응용을 강조한다.
• 계산역학에서의 기반 모델을 포함한 도전과제, 한계 및 향후 방향을 논의한다.

제안 방법

• 물리 기반 뉴럴 네트워크(PINN)를 PDE의 대체 솔버로 사용하여 강한 형식과 에너지 형식으로 설명한다.
• 에너지 형식의 PINN 변형으로서 최소 포텐셜 에너지 원리에 기반한 Deep Energy Method(DEM)를 설명한다.
• PDE 입력과 출력 간의 매핑을 학습하기 위한 딥온넷(DeepONet), 푸리에 신경연산자(FNO) 등 연산자 학습 접근법을 요약한다.
• 연산 학습과 물리 방정식을 결합한 물리정보 기반 신경 연산자(PINO)를 소개한다.
• AI4PDE의 데이터와 물리의 통합 패러다임을 제시하고 이산화 불변성과 자동 미분의 이점을 논의한다.
• PDE 잔류항, 경계/초기 조건 및 데이터 항을 결합하는 핵심 방정식과 손실 함수 구조를 개략적으로 제시한다.

실험 결과

연구 질문

• RQ1 주요 AI4PDE 알고리즘은 무엇이며 형식화와 적용성에서 어떤 차이가 있는가?
• RQ2 전통적인 수치 방법에 비해 PDE를 위한 AI가 계산역학을 어떻게 가속할 수 있는가?
• RQ3 PINN, DEM, 연산자 학습, 및 PINO의 강점과 한계는 고체, 유체, 생체역학의 순방향 및 역문제에서 무엇인가?
• RQ4 AI4PDE에서 기반 모델이 계산역학에 어떤 잠재적 역할을 하며 어떤 도전이 나타날 수 있는가?

주요 결과

• PINN은 잔류 손실을 통해 물리를 강하게 또는 에너지 형식으로 강제하는 유연한 반감 감독 프레임워크를 제공하며 역문제에 쉽게 적응할 수 있다.
• DEM(Deep Energy Method)은 변분 원리를 활용하여 하이퍼파라미터를 줄이고 강한 형식의 PINN보다 효율성을 높일 가능성이 있다.
• 연산자 학습(예: DeepONet, FNO)은 특히 대용량 데이터에서 PDE 해에 대한 디스크리타이제이션에 독립적인 빠른 매핑을 가능하게 한다.
• 물리 정보를 갖춘 신경 연산자(PINO)는 연산 학습과 물리 방정식을 결합하여 모호한 물리 현상과 제한된 데이터를 다루고 새로운 조건에 빠르게 적응한다.
• AI4PDE는 데이터 기반 대리 모델과 물리 법칙을 결합하여 PDE 해결 속도를 대폭 높일 수 있으며 일부 맥락에서 전통적 방법에 비해 수천 배에서 수만 배 빠를 수 있다.
• PINN 및 연산자 기반 방법은 데이터 요구량, 최적화의 비선형성, 하이퍼파라미터 튜닝, 문제 간 강건성과 정확성 보장 등 도전에 직면한다.