[논문 리뷰] DeepFlame: A deep learning empowered open-source platform for reacting flow simulations

Runze Mao, Minqi Lin외 4명|arXiv (Cornell University)|2022. 10. 13.

Advanced Combustion Engine Technologies인용 수 4

한 줄 요약

DeepFlame은 딥러닝을 활용해 반응유동 시뮬레이션을 가속화하는 오픈소스 C++ 플랫폼입니다. OpenFOAM, Cantera, PyTorch를 통합하여 GPU/DCU 하드웨어에서 화학동역학 평가를 최대 100배 빠르게 구현합니다. 기존의 ODE 솔버 대신 DNN 기반 화학 솔버를 도입함으로써 높은 정확도와 우수한 병렬 확장성을 확보했으며, 표준 테스트 케이스에서 검증되었습니다.

ABSTRACT

In this work, we introduce DeepFlame, an open-source C++ platform with the capabilities of utilising machine learning algorithms and pre-trained models to solve for reactive flows. We combine the individual strengths of the computational fluid dynamics library OpenFOAM, machine learning framework Torch, and chemical kinetics program Cantera. The complexity of cross-library function and data interfacing (the core of DeepFlame) is minimised to achieve a simple and clear workflow for code maintenance, extension and upgrading. As a demonstration, we apply our recent work on deep learning for predicting chemical kinetics (Zhang et al. Combust. Flame vol. 245 pp. 112319, 2022) to highlight the potential of machine learning in accelerating reacting flow simulation. A thorough code validation is conducted via a broad range of canonical cases to assess its accuracy and efficiency. The results demonstrate that the convection-diffusion-reaction algorithms implemented in DeepFlame are robust and accurate for both steady-state and transient processes. In addition, a number of methods aiming to further improve the computational efficiency, e.g. dynamic load balancing and adaptive mesh refinement, are explored. Their performances are also evaluated and reported. With the deep learning method implemented in this work, a speed-up of two orders of magnitude is achieved in a simple hydrogen ignition case when performed on a medium-end graphics processing unit (GPU). Further gain in computational efficiency is expected for hydrocarbon and other complex fuels. A similar level of acceleration is obtained on an AI-specific chip - deep computing unit (DCU), highlighting the potential of DeepFlame in leveraging the next-generation computing architecture and hardware.

연구 동기 및 목표

• 높은 비용이 드는 화학 소스 항목 평가로 인해 발생하는 반응유동 시뮬레이션의 계산 병목 현상을 해결하기 위해.
• CFD, 화학동역학, 기계학습을 통합한 통합적이고 유지보수 가능하며 확장 가능한 프레임워크를 개발하기 위해.
• 딥러닝 기반 가속 화학 솔버를 활용해 복잡한 반응유동의 고성능이고 정확한 시뮬레이션을 가능하게 하기 위해.
• 현대의 이종 아키텍처(_CPU, GPU, AI 전용 DCU_)에서 플랫폼의 성능 및 확장성 평가를 위해.
• 다상유동 및 다중 GPU/node 간 분산 DNN 추론으로의 향후 확장 기반을 제공하기 위해.

제안 방법

• DeepFlame은 유동 솔버로 OpenFOAM, 세부 열역학 및 화학동역학으로 Cantera, 기계학습 추론으로 PyTorch를 통합합니다.
• 기존의 ODE 솔버 대신 사전 학습된 딥뉴럴넷(DNN) 모델을 사용해 화학 소스 항목의 계산을 가속화합니다.
• 열역학적·물리화학적 성질을 완전히 Cantera가 커스텀 혼합 및 화학 객체를 통해 관리하는 모듈러 설계를 채택합니다.
• 화학 해법 중에 MPI 프로세스 간 작업 분배를 최적화하기 위해 동적 로드 밸런싱(DLB)을 구현합니다.
• 비용을 줄이고 핵심 영역의 해상도를 향상시키기 위해 적응형 메쉬 정밀도(AMR)를 통합합니다.
• CPU 및 GPU/DCU 병렬 처리를 극대화하기 위해 최적화된 메모리 접근 및 벡터화를 적용한 C++로 코드를 구현합니다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 화학 솔버가 정확도를 유지하면서도 반응유동 시뮬레이션에서 상당한 속도 향상을 이룰 수 있는가?
• RQ2 OpenFOAM, Cantera, PyTorch의 통합이 과학 계산을 위한 효율적이고 유지보수 가능한 다 라이브러리 워크플로우를 어떻게 가능하게 하는가?
• RQ3 DeepFlame의 성능 스케일링 거동은 대규모 CPU 및 GPU/DCU 클러스터에서 어떻게 나타나는가?
• RQ4 동적 로드 밸런싱과 적응형 메쉬 정밀도가 반응유동 문제의 시뮬레이션 효율성을 얼마나 향상시킬 수 있는가?
• RQ5 플랫폼는 0D Ignition부터 3D 난류 토르솔리브 볼륨에 이르기까지 다양한 표준 테스트 케이스에서 어떻게 성능을 발휘하는가?

주요 결과

• 중급 성능 GPU 또는 DCU에서 1D 수소 Ignition 케이스에서 DNN 기반 화학 솔버는 기존 ODE 솔버 대비 최대 100배의 속도 향상을 달성했습니다.
• CPU에서 DNN 솔버는 데이터 및 연산의 벡터화 덕분에 GPU 가속 없이도 30~50%의 속도 향상을 보였습니다.
• 0D Ignition, 1D 평면flame, 2D 제트flame, 3D 반응성 Taylor-Green 볼륨에 이르기까지 다양한 표준 케이스에서 플랫폼는 뛰어난 정확도를 확보했습니다.
• 동적 로드 밸런싱은 최대 1000개의 CPU 코어에서 화학 해법 시간을 약 30% 감소시켰지만, 셀당 16,000개를 초과할 경우 통신 오버헤드로 인해 성능 저하가 발생했습니다.
• AMR와 DLB를 결합한 1D 폭발 케이스 시뮬레이션은 기존 대비 10배 빠른 속도를 기록하여 하이브리드 최적화 전략의 효과를 입증했습니다.
• 수천에서 수만 개의 CPU 코어까지 우수한 병렬 확장성을 보였으며, 최신 반응유동 코드 대비 양호한 성능을 기록했습니다.