[논문 리뷰] DeepPhysics: a physics aware deep learning framework for real-time simulation

Alban Odot, Ryadh Haferssas외 1명|arXiv (Cornell University)|2021. 09. 17.

Model Reduction and Neural Networks참고 문헌 4인용 수 4

한 줄 요약

이 논문은 초탄성 재료에서 변위장 예측을 밀리미터 이내의 정밀도로 1밀리초 미만으로 수행할 수 있는 물리기반 딥러닝 프레임워크인 DeepPhysics를 제안한다. 물리기반 손실 함수, 모드 분석 기반 데이터 생성, 하이브리드 뉴턴-라프슨 알고리즘을 조합함으로써, 기존 뉴턴-라프슨 대비 수렴률 54% 향상 및 반복 횟수 20% 감소를 달성한 실시간 시뮬레이션을 실현한다.

ABSTRACT

Real-time simulation of elastic structures is essential in many applications, from computer-guided surgical interventions to interactive design in mechanical engineering. The Finite Element Method is often used as the numerical method of reference for solving the partial differential equations associated with these problems. Yet, deep learning methods have recently shown that they could represent an alternative strategy to solve physics-based problems 1,2,3. In this paper, we propose a solution to simulate hyper-elastic materials using a data-driven approach, where a neural network is trained to learn the non-linear relationship between boundary conditions and the resulting displacement field. We also introduce a method to guarantee the validity of the solution. In total, we present three contributions: an optimized data set generation algorithm based on modal analysis, a physics-informed loss function, and a Hybrid Newton-Raphson algorithm. The method is applied to two benchmarks: a cantilever beam and a propeller. The results show that our network architecture trained with a limited amount of data can predict the displacement field in less than a millisecond. The predictions on various geometries, topologies, mesh resolutions, and boundary conditions are accurate to a few micrometers for non-linear deformations of several centimeters of amplitude.

연구 동기 및 목표

• 기존의 유한요소법(FEM)보다 빠른 속도를 유지하면서도 고정밀도를 확보하는 비선형 탄성 문제를 위한 실시간 시뮬레이션 프레임워크 개발.
• 영역 분할 및 모델 순서 감소 기법과 같은 기존 방법의 한계를 극복하기 위해 딥러닝과 물리기반 제약 조건을 통합.
• 데이터 기반 접근 방식을 통해 다양한 경계 조건, 기하 구조 및 재료 특성 하에서 변위장의 빠르고 정확한 예측을 가능하게 하기.
• 물리기반 손실 함수와 하이브리드 최적화 전략을 통해 해의 타당성을 확보하고 수렴성을 향상시키기.
• 수술 시뮬레이션 및 상호작용 설계와 같은 실시간 응용 분야에서의 계산 비용을 감소시키기.

제안 방법

• 변형 모드의 최적화된 데이터셋을 생성하기 위해 모드 분석을 활용하여 학습에 필요한 샘플 수를 감소시킴.
• 네트워크 학습 중 경계 조건 및 재료 거동과 같은 물리적 일관성을 강제하는 물리기반 손실 함수를 적용.
• 경계 조건에서 변위장으로의 비선형 사상 관계를 학습하기 위해 완전 연결 신경망을 사용.
• 신경망 예측 결과를 초기 추정치로 사용하는 하이브리드 뉴턴-라프슨 알고리즘을 도입하여 수렴 속도와 성공률 향상.
• 뉴턴-라프슨 방법을 하이브리드 방식으로 적용: 네트워크 예측 결과가 첫 번째 반복보다 해에 더 가까운 경우, 이를 시작점으로 사용.
• 잔차 기반 오차 지표를 적용하여 물리적으로 타당하고 정확한 예측 결과를 검증.

실험 결과

연구 질문

• RQ1 제한된 데이터셋으로 학습된 딥러닝 모델이 초탄성 재료에서 밀리미터 수준 정밀도로 실시간으로 변위장을 예측할 수 있는가?
• RQ2 물리기반 손실 함수는 다양한 기하 구조 및 경계 조건에서 해의 타당성과 일반화 능력을 얼마나 향상시키는가?
• RQ3 신경망 예측 결과를 초기 추정치로 사용할 경우, 뉴턴-라프슨 방법의 수렴 속도와 반복 횟수에 얼마나 기여하는가?
• RQ4 학습 분포를 초월한 새로운 힘의 크기, 작용 위치 및 기하 구조에 대해 이 방법은 얼마나 잘 일반화되는가?
• RQ5 국소화된 힘 또는 기하 구조의 변화(위상 변화) 처리에 있어 이 방법의 한계는 무엇이며, 이를 어떻게 보완할 수 있는가?

주요 결과

• 신경망은 변위장을 1밀리초 미만으로 예측하여 실시간 시뮬레이션 요구 조건을 충족시킴.
• 변형 폭이 수 센티미터에 이르는 비선형 변형에 대해 몇 밀리미터 이내의 정밀도로 예측 정확도를 확보함.
• 하이브리드 뉴턴-라프슨 알고리즘은 100개의 테스트 케이스에서 표준 뉴턴-라프슨의 46%에서 71%로 수렴률을 향상시킴.
• 하이브리드 접근 방식은 평균 반복 횟수를 6.1회에서 5.0회로 감소시키며, 66%의 케이스에서 네트워크 예측 결과가 더 나은 초기 추정치로 활용됨.
• 학습 데이터에 포함되지 않은 유연율 값(Young’s modulus)에 대해서도 잘 일반화되나, 더 높은 정밀도를 확보하기 위해 더 많은 학습 샘플이 필요함.
• 매우 국소화된 외력에 대해서는 성능이 떨어지므로, 이러한 경우의 데이터 표현 개선이 필요함.