[논문 리뷰] BI-GreenNet: Learning Green's functions by boundary integral network

Guochang Lin, Fukai Chen외 5명|arXiv (Cornell University)|2022. 04. 28.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 경계 적분 표현식과 기본 해를 활용하여 유한, 무한, 인터페이스 도메인에서 푸아송 및 헬름홀츠 방정식의 그린 함수를 학습하는 신경망 방법인 BI-GreenNet을 제안한다. 문제를 부드러운 경계 전용 피팅 작업으로 재구성함으로써 BI-GreenNet은 높은 정확도의 그린 함수 근사치를 도출하고, 상대적 $ L^2 $ 오차가 4% 미만인 다양한 PDE 문제에 대한 일반화를 가능하게 한다.

ABSTRACT

Green's function plays a significant role in both theoretical analysis and numerical computing of partial differential equations (PDEs). However, in most cases, Green's function is difficult to compute. The troubles arise in the following three folds. Firstly, compared with the original PDE, the dimension of Green's function is doubled, making it impossible to be handled by traditional mesh-based methods. Secondly, Green's function usually contains singularities which increase the difficulty to get a good approximation. Lastly, the computational domain may be very complex or even unbounded. To override these problems, we leverage the fundamental solution, boundary integral method and neural networks to develop a new method for computing Green's function with high accuracy in this paper. We focus on Green's function of Poisson and Helmholtz equations in bounded domains, unbounded domains. We also consider Poisson equation and Helmholtz domains with interfaces. Extensive numerical experiments illustrate the efficiency and the accuracy of our method for solving Green's function. In addition, we also use the Green's function calculated by our method to solve a class of PDE, and also obtain high-precision solutions, which shows the good generalization ability of our method on solving PDEs.

연구 동기 및 목표

• 복잡하거나 무한 도메인에서 전통적 방법이 차원 수 증가와 특이성으로 인해 실패하는 경우, PDE의 그린 함수를 계산하는 데 도전하는 문제를 해결한다.
• 메쉬 기반 방법과 표준 신경망의 한계를 극복하여, 그린 함수의 차원 수가 두 배로 증가하고 비연속적인 성질을 띠는 문제에 대응한다.
• 기본 해와 경계 적분 표현식을 활용하는 미분 가능 프레임워크를 개발하여 정확하고 일반화 가능한 그린 함수 학습을 가능하게 한다.
• 학습된 그린 함수를 활용해 새로운 소스 항과 경계 조건을 가진 문제를 고정밀도로 해결할 수 있음을 입증함으로써, 방법의 일반화 능력을 입증한다.

제안 방법

• 기본 해를 사용하여 그린 함수 문제를 경계 적분 방정식으로 재구성함으로써 특이성을 제거하고, PDE 문제를 부드러운 고차원 함수 근사 작업으로 전환한다.
• 그린 함수를 경계 적분 형태로 매개변수화하는 신경망 아키텍처인 BI-GreenNet을 제안하여, PDE는 자동으로 만족되고 경계 조건만 학습 대상이 된다.
• 경계 적분 표현식 내의 알려지지 않은 경계 밀도 함수를 신경망으로 근사하고, 경계 조건과 잔차 최소화에 기반한 손실 함수를 사용한다.
• 자동 미분과 물리 기반 학습을 통합하여, PDE 잔차와 경계 제약 조건을 모두 활용해 네트워크 가중치를 최적화한다.
• 정확도와 확장성 측면에서 경계 적분 표현식의 우수성을 검증하기 위해, 직접 근사 방법인 DB-GreenNet과의 비교를 수행한다.
• 학습된 그린 함수를 복소화 유사 적분을 통해 새로운 PDE 문제를 해결하는 데 활용함으로써, 소스 항과 경계 조건에 대한 일반화 능력을 입증한다.

(a) Single domain

실험 결과

연구 질문

• RQ1 신경망은 복잡한 도메인, 특히 무한 및 인터페이스 도메인에서 푸아송 및 헬름홀츠 방정식의 그린 함수를 효과적으로 학습할 수 있는가?
• RQ2 BI-GreenNet의 경계 적분 표현식은 특이성 또는 고차원 문제에 있어서 직접 신경망 근사(DB-GreenNet)보다 정확도와 안정성 측면에서 뛰어나게 성능을 발휘하는가?
• RQ3 학습된 그린 함수는 새로운 소스 항과 경계 조건을 가진 새로운 PDE 문제에 얼마나 잘 일반화되는가?
• RQ4 기본 해와 경계 적분 표현식의 사용은 그린 함수 계산에서 차원 수 증가와 특이성 문제를 어떻게 완화하는가?
• RQ5 기존 메쉬 기반 방법이 적용이 어려운 무한 도메인에서도 이 방법은 높은 정확도를 유지할 수 있는가?

주요 결과

• BI-GreenNet은 유한, 무한, 인터페이스 도메인에서 푸아송 및 헬름홀츠 방정식의 그린 함수를 고정밀도로 학습하며, 직접 근사 방법인 DB-GreenNet을 능가한다.
• 그린 함수를 경계 적분 형태로 재구성함으로써 특이성과 고차원 문제를 효과적으로 처리하여 안정적이고 정확한 학습을 가능하게 한다.
• 무한 도메인에서는 BI-GreenNet이 DB-GreenNet보다 뛰어난 성능을 유지하며, 도메인 복잡성에 대한 강건성을 입증한다.
• 학습된 그린 함수는 새로운 PDE 문제에 대해 잘 일반화된다: 랜덤으로 생성된 100개의 인터페이스 문제에 적용했을 때, 모든 상대적 $ L^2 $ 오차가 4% 이하로 유지되었다.
• 학습된 그린 함수를 활용한 경계 적분 평가를 통해 PDE를 정확하게 해결할 수 있으며, 이는 실용성과 일반화 능력을 확인한다.
• 복잡한 기하학적 구조와 비연속적인 계수를 가진 문제에 대해서도 이 프레임워크는 효과적이며, 다양한 물리적 매질 조건을 가진 인터페이스 문제를 통한 검증을 통해 이를 입증했다.

(b) Interface problem