[논문 리뷰] Compressed Convolutional LSTM: An Efficient Deep Learning framework to Model High Fidelity 3D Turbulence

Arvind Mohan, Don Daniel외 2명|arXiv (Cornell University)|2019. 02. 28.

Model Reduction and Neural Networks참고 문헌 44인용 수 59

한 줄 요약

저자들은 Compressed ConvLSTM(CC-LSTM)를 도입하여 컨볼루션 자동인코더와 ConvLSTM을 결합한 3D 난류의 저차원 어트랙터를 학습하고 시공간 흐름 구현을 효율적으로 생성하며, 물리 기반 진단으로 검증된다.

ABSTRACT

High-fidelity modeling of turbulent flows is one of the major challenges in computational physics, with diverse applications in engineering, earth sciences and astrophysics, among many others. The rising popularity of high-fidelity computational fluid dynamics (CFD) techniques like direct numerical simulation (DNS) and large eddy simulation (LES) have made significant inroads into the problem. However, they remain out of reach for many practical three-dimensional flows characterized by extremely large domains and transient phenomena. Therefore designing efficient and accurate data-driven generative approaches to model turbulence is a necessity. We propose a novel training approach for dimensionality reduction and spatio-temporal modeling of the three-dimensional dynamics of turbulence using a combination of Convolutional autoencoder and the Convolutional LSTM neural networks. The quality of the emulated turbulent fields is assessed with rigorous physics-based statistical tests, instead of visual assessments. The results show significant promise in the training methodology to generate physically consistent turbulent flows at a small fraction of the computing resources required for DNS.

연구 동기 및 목표

• 공학 및 지구과학 응용 분야에서 데이터 기반의 저비용 고충실도 난류 모델링의 필요성을 제시한다.
• 3D 난류 흐름을 위한 저차원 어트랙터를 학습하는 확장 가능한 프레임워크를 개발한다.
• 데이터 압축과 시공간 동역학 모델링을 함께 수행하는 학습 전략을 시연한다.
• 시각적 검사 대신 물리 기반 진단을 사용하여 생성된 난류의 물리적 충실도를 평가한다.

제안 방법

• 3D 난류 스냅샷을 잠재 공간으로 압축하기 위해 컨볼루션 자동인코더(CAE)를 사용한다.
• 잠재 공간에서 시공간 진화를 모델링하기 위해 ConvLSTM을 3D로 확장한다.
• CC-LSTM을 두 단계로 학습한다: CAE 기반 차원 축소 후 잠재 공간의 시계열 모델링을 ConvLSTM으로 수행한다.
• CAE 디코더를 사용하여 잠재 예측치를 원래 3D 필드로 동적으로 역압축한다.
• 짧은 예측 간격에서 긴 시간 예측을 생성하기 위해 순환 시드(seed) 방식을 채택한다.

실험 결과

연구 질문

• RQ1 제한된 잠재 공간에서 핵심 공간 상관관계를 보존하면서 CC-LSTM이 3D 난류 역학을 정확하게 포착할 수 있는가?
• RQ2 에너지 스펙트럼, 속도 구배 통계, Q-R 평면 등 물리 기반 진단이 재구성 필드에서 물리적으로 일관된 난류를 나타내는가?
• RQ3 CAE 기반 압축이 재구성 품질과 시간에 따른 예측 안정성에 어떤 영향을 미치는가?

주요 결과

• CC-LSTM은 압축된 잠재 공간에서 작동함으로써 중요한 공간 상관관계를 희생하지 않고 대규모 매개변수 감소를 달성한다.
• CAE+ConvLSTM 파이프라인은 DNS 계산 비용의 일부만으로 물리적으로 일관된 난류 필드를 생성할 수 있다.
• 물리 기반 진단은 HIT 및 ScalarHIT 데이터 세트에서 압축 표현이 에너지 스펙트럼과 속도 구배 통계를 합리적으로 재현함을 보인다.
• HIT의 경우 z=125, ScalarHIT의 경우 z=20으로 압축 비를 보여주며 재구성 필드의 충실도도 허용 가능한 수준으로 효과적인 차원 축소를 나타낸다.
• 이 접근법은 시드 및 순환 예측으로 장시간 예측을 가능하게 하면서도 단일 GPU에서의 학습 가능성을 유지한다.