[논문 리뷰] DeepClouds.ai: Deep learning enabled computationally cheap direct numerical simulations

Moumita Bhowmik, Manmeet Mahinderjit Singh외 2명|arXiv (Cornell University)|2022. 08. 18.

Meteorological Phenomena and Simulations인용 수 8

한 줄 요약

DeepClouds.ai는 3D-UNET 딥러닝 모델을 도입하여 난류 구름 유동의 계산적으로 효율적인 대규모 도메인 직접 수치 시뮬레이션(DNS)을 가능하게 한다. 이 모델은 소규모 DNS 출력을 더 큰 도메인으로 외삽하는 방식으로 작동하며, 속도 및 수증기 수증기 분포를 높은 정밀도로 시뮬레이션하여 기상 예측 및 구름 미세역학 연구를 위한 확장 가능한 기존 DNS의 대안을 제공한다.

ABSTRACT

Simulation of turbulent flows, especially at the edges of clouds in the atmosphere, is an inherently challenging task. Hitherto, the best possible computational method to perform such experiments is the Direct Numerical Simulation (DNS). DNS involves solving non-linear partial differential equations for fluid flows, also known as Navier-Stokes equations, on discretized grid boxes in a three-dimensional space. It is a valuable paradigm that has guided the numerical weather prediction models to compute rainfall formation. However, DNS cannot be performed for large domains of practical utility to the weather forecast community. Here, we introduce DeepClouds.ai, a 3D-UNET that simulates the outputs of a rising cloud DNS experiment. The problem of increasing the domain size in DNS is addressed by mapping an inner 3D cube to the complete 3D cube from the output of the DNS discretized grid simulation. Our approach effectively captures turbulent flow dynamics without having to solve the complex dynamical core. The baseline shows that the deep learning-based simulation is comparable to the partial-differential equation-based model as measured by various score metrics. This framework can be used to further the science of turbulence and cloud flows by enabling simulations over large physical domains in the atmosphere. It would lead to cascading societal benefits by improved weather predictions via advanced parameterization schemes.

연구 동기 및 목표

• 높은 자원 요구량으로 인해 대기 도메인 전체에서 직접 수치 시뮬레이션(DNS)을 수행하는 데 계산적으로 비현실적인 문제를 해결한다.
• 소규모 구름 미세역학과 대규모 대기역학 사이의 격차를 메우기 위해 확장 가능한 DNS 유사 시뮬레이션을 가능하게 한다.
• 나비에-스토크스 방정식을 풀지 않고도 소규모 DNS 도메인을 더 큰 물리적 도메인으로 외삽하는 데이터 기반 딥러닝 프레임워크를 개발한다.
• 미래의 대기 난류 및 구름 과정에 대한 데이터 기반 DNS 연구를 위한 기준 프레임워크를 제공한다.
• precipitation 형성에 중요한 미세역학 과정의 고해상도 시뮬레이션을 가능하게 하여 수치 기상 예측을 향상시킨다.

제안 방법

• 작은 3D DNS 격자(A)를 더 큰 주변 도메인(B)으로 매핑하는 3D-UNET 아키텍처를 훈련시킨다. 여기서 A는 B 내부에 포함된다.
• 상승하는 구름 난류의 고정밀도 DNS 시뮬레이션을 훈련 데이터로 사용하여 속도, 압력, 수증기 혼합비 필드를 캡처한다.
• 3차원 컨볼루션 레이어를 활용해 3차원 공간에서 난류 흐름 필드의 공간적 종속성을 모델링하여 물리적 현실성을 재현한다.
• 예측값과 DNS 간의 속도 성분(u, v), 압력, 수증기 혼합비(q_v)의 차이를 최소화하는 손실 함수를 사용해 모델을 최적화한다.
• 반복적으로 추론을 수행하여 점차적으로 더 큰 도메인을 시뮬레이션함으로써 대기 구름 역학의 확장 가능한 시뮬레이션을 가능하게 한다.
• 유지되는 질량 보존 및 단열 조건을 통해 생성된 흐름 필드의 물리적 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 나비에-스토크스 방정식을 풀지 않고도 딥러닝 모델이 소규모 DNS 출력을 대규모 난류 구름 유동으로 정확하게 외삽할 수 있는가?
• RQ2 3D-UNET은 DNS에 비해 상승하는 구름 시스템의 비균일한 난류 속도 프로파일과 수분 분포를 얼마나 잘 캡처할 수 있는가?
• RQ3 모델은 빈도 높은 수증기 혼합비가 도메인 경계 근처에서 증가하는 것과 같은 핵심 물리적 특성을 어느 정도 유지하는가?
• RQ4 이 프레임워크는 대기 과학 적용 분야에서 기존 DNS의 확장 가능하고 계산적으로 효율적인 대안으로 기능할 수 있는가?
• RQ5 모델의 성능은 속도 분산 및 혼합비 프로파일과 같은 여러 유동 지표에서 DNS와 정량적으로 비교해 볼 때 어떻게 되는가?

주요 결과

• 3D-UNET 모델은 유속 방향(u)과 횡방향(v) 성분에서 비균일한 난류 구조를 성공적으로 캡처하여 공간 분포와 강도에서 DNS와 유사함을 보였다.
• 모델은 DNS에서 관찰된 수증기 빈도 증가와 일치하는 도메인 경계 근처에서 수증기 혼합비(q_v)의 특징적인 증가를 재현하였다.
• 예측된 q_v 프로파일은 DNS 출력과 높은 유사성을 보였으며, 가장자리에서 높은 혼합비와 중심부에서 낮은 값이 나타나 미세역학 피드백의 정확한 시뮬레이션을 나타내었다.
• 모델은 단열 조건을 유지하며 시간 단계 간 수증기 보존을 보장함으로써 물리적 일관성을 유지하였다.
• 시각적 및 정량적 비교를 통해 모델이 상승 운동과 수증기 방울 상호작용으로 인한 속도 차이를 포함한 복잡한 유동 역학을 캡처함을 확인하였다.
• 프레임워크는 소규모 DNS 데이터만으로도 대규모 도메인의 반복적 시뮬레이션을 가능하게 하여 확장 가능한 저비용 DNS 유사 시뮬레이션의 실현 가능성을 입증하였다.