[논문 리뷰] Fast Aquatic Swimmer Optimization with Differentiable Projective Dynamics and Neural Network Hydrodynamic Models

Elvis Nava, John H. Zhang외 6명|arXiv (Cornell University)|2022. 03. 30.

Lattice Boltzmann Simulation Studies인용 수 4

한 줄 요약

이 논문은 연성 물체의 변형을 위해 미분 가능한 프로젝티브 다이내믹스를, 유체 역학을 위해 물리 제약이 가해진 신경망을 사용하는, 전체적으로 미분 가능한 하이브리드 유체-구조 상호작용(FSI) 시뮬레이터를 제안한다. 이는 수영하는 로봇 설계의 빠르고 정확하며 기울기 기반 최적화를 가능하게 한다. 기존의 COMSOL과 같은 전통적 FSI 솔버보다 100배 빠른 속도를 기록하면서도 물리적 정확성을 유지하며, 수영자 제어기 파rameter를 기울기 하강법을 통해 직접 최적화할 수 있다.

ABSTRACT

Aquatic locomotion is a classic fluid-structure interaction (FSI) problem of interest to biologists and engineers. Solving the fully coupled FSI equations for incompressible Navier-Stokes and finite elasticity is computationally expensive. Optimizing robotic swimmer design within such a system generally involves cumbersome, gradient-free procedures on top of the already costly simulation. To address this challenge we present a novel, fully differentiable hybrid approach to FSI that combines a 2D direct numerical simulation for the deformable solid structure of the swimmer and a physics-constrained neural network surrogate to capture hydrodynamic effects of the fluid. For the deformable solid simulation of the swimmer's body, we use state-of-the-art techniques from the field of computer graphics to speed up the finite-element method (FEM). For the fluid simulation, we use a U-Net architecture trained with a physics-based loss function to predict the flow field at each time step. The pressure and velocity field outputs from the neural network are sampled around the boundary of our swimmer using an immersed boundary method (IBM) to compute its swimming motion accurately and efficiently. We demonstrate the computational efficiency and differentiability of our hybrid simulator on a 2D carangiform swimmer. Due to differentiability, the simulator can be used for computational design of controls for soft bodies immersed in fluids via direct gradient-based optimization.

연구 동기 및 목표

• 부드러운 로봇 수영자에서 유체-구조 상호작용(FSI)을 시뮬레이션할 때 발생하는 높은 계산 비용을 해결하기 위해.
• FSI 시뮬레이션을 완전히 미분 가능하게 하여 수영자 제어기 파rameter를 기울기 기반 최적화할 수 있도록 하기 위해.
• 미분 가능한 고체 역학과 학습된 유체 역학을 조합하여 계산 효율성은 유지하면서도 물리적으로 정확한 FSI 프레임워크를 개발하기 위해.
• 수영 빈도와 성능을 직접 최적화하기 위해 시뮬레이터의 타당성을 입증하기 위해.
• 정확성과 계산 효율성 측면에서 표준 FSI 솔버(COMSOL)와의 비교를 통해 방법의 타당성을 검증하기 위해.

제안 방법

• 수영자의 유연한 고체 구조는 기울기 계산을 효율적으로 가능하게 하는 미분 가능한 유한요소법(FEM)인 미분 가능한 프로젝티브 다이내믹스(DiffPD)를 사용해 시뮬레이션된다.
• 유체 역학은 압축성 없는 나비에-스토크스 방정식에서 유도된 물리 기반 손실 함수로 훈련된 U-Net 신경망을 사용하여 모델링되며, 레이블이 있는 훈련 데이터가 필요 없도록 한다.
• 유체-고체 경계면에서 신경망의 예측 압력 및 속도장을 샘플링함으로써, 가우시안 거리 필드를 사용하는 미분 가능한 잠김 경계 방법(IBM)이 유체-고체 힘을 계산한다.
• 유체 경계 조건은 유체-고체 경계를 유지하면서도 기울기 보존이 가능한 다양한 렌더링 기법을 사용한 부드러운 마스크로 구현된다.
• 전체 시뮬레이터는 엔드 투 엔드로 기울기 보존 가능하며, 메모리 관리를 위해 기울기 체크포인팅을 사용하여 장기간 시뮬레이션 세션 동안 시간에 따라 역전파가 가능하다.
• 제어기 파rameter(예: 수영 빈도)는 Adam과 같은 1차 기울기 방법을 사용하여 최적화되며, 시뮬레이터의 기울기 보존 성질을 활용한다.

실험 결과

연구 질문

• RQ1 미분 가능한 고체 역학과 학습된 유체 역학을 조합한 하이브리드 FSI 시뮬레이터가 계산 효율성과 물리적 정확성 모두를 달성할 수 있는가?
• RQ2 이러한 시뮬레이터가 수영자 제어기(예: 수영 빈도)의 직접 기울기 기반 최적화를 지원할 수 있는가?
• RQ3 표준 FSI 솔버(COMSOL)와 비교했을 때, 이 기울기 보존 시뮬레이터의 속도와 물리적 일致성 측면에서의 성능은 어떠한가?
• RQ4 기울기 보존 시뮬레이터가 제어기 파arameter에 따라 성능 지표(예: 이동 거리)의 단조성 관계를 유지하는가? 이는 신뢰할 수 있는 최적화를 가능하게 하는가?
• RQ5 신경망 기반 유체 모델이 재학습 없이도 예측되지 않은 유체 파arameter(예: 밀도, 점도)에 일반화할 수 있는가?

주요 결과

• 하이브리드 시뮬레이터는 COMSOL Multiphysics 대비 100배 빠른 속도를 기록했으며, 300프레임 시뮬레이션에 대해 전진 계산이 3분 33초, COMSOL의 경우 5시간 16분 39초가 소요되었다.
• 2D 카라니포름 수영자에서 현실적인 전진 수영 운동을 생성했으며, 물고기는 5Hz에서 최대 전진 거리를 기록했으며, 이는 COMSOL 결과와 일치한다.
• 하이브리드 시뮬레이터와 COMSOL 간에 수영 빈도와 이동 거리 사이의 단조성 관계가 유지되어, 방법의 물리적 일치성을 검증한다.
• 기울기 기반 최적화를 통해 수영 빈도는 Adam을 사용해 21회 반복 내에 6.3Hz로 수렴했으며, CMA-ES는 초기화에서 벗어나지 못하고 2.63Hz에 머물렀다.
• 기울기 역전파가 기울기 체크포인팅 덕분에 3분 57초가 소요되었지만, 장기 시뮬레이션 최적화에 대해 여전히 계산적으로 타당한 성능을 기록했다.
• 이 방법은 연성 물체 수영의 직접적이고 기울기 보존 가능한 시뮬레이션을 가능하게 하여, 소프트 로봇에서 형상, 재질, 제어의 공동 최적화에 적합하다.