[논문 리뷰] Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize

Nils Wandel, Michael Weinmann외 1명|arXiv (Cornell University)|2020. 06. 15.

Model Reduction and Neural Networks참고 문헌 29인용 수 33

한 줄 요약

비지도 학습, 물리학 제약이 있는 CNN 프레임워크를 제시하며, 처음부터 비압축성 유체 역학을 학습하고, 훈련 데이터 없이도 새로운 도메인에 일반화되는 빠르고 미분 가능한 유체 솔버를 생성합니다.

ABSTRACT

Fast and stable fluid simulations are an essential prerequisite for applications ranging from computer-generated imagery to computer-aided design in research and development. However, solving the partial differential equations of incompressible fluids is a challenging task and traditional numerical approximation schemes come at high computational costs. Recent deep learning based approaches promise vast speed-ups but do not generalize to new fluid domains, require fluid simulation data for training, or rely on complex pipelines that outsource major parts of the fluid simulation to traditional methods. In this work, we propose a novel physics-constrained training approach that generalizes to new fluid domains, requires no fluid simulation data, and allows convolutional neural networks to map a fluid state from time-point t to a subsequent state at time t + dt in a single forward pass. This simplifies the pipeline to train and evaluate neural fluid models. After training, the framework yields models that are capable of fast fluid simulations and can handle various fluid phenomena including the Magnus effect and Karman vortex streets. We present an interactive real-time demo to show the speed and generalization capabilities of our trained models. Moreover, the trained neural networks are efficient differentiable fluid solvers as they offer a differentiable update step to advance the fluid simulation in time. We exploit this fact in a proof-of-concept optimal control experiment. Our models significantly outperform a recent differentiable fluid solver in terms of computational speed and accuracy.

연구 동기 및 목표

• 시뮬레이션 데이터가 필요하지 않은 비지도 학습 방식의 물리 제약 학습 접근법을 비압축성 유체 역학에 대해 개발한다.
• 물리 충실성을 유지하며 보이지 않는 도메인 기하에 유체 모델을 일반화한다.
• 실시간 유체 시뮬레이션이 가능하도록 빠르고 미분 가능한 신경망 솔버를 생산한다.
• 모델이 점성 효과와 Magnus 효과, 카르만 와류 스트리트와 같은 현상을 포착하는 능력을 보여준다.

제안 방법

• 강체적 발산 제약을 만족시키기 위해 벡터 퍼텐셜 a를 예측하여 v = curl(a)로 발산을 강제하는 Helmoltz 분해를 사용한다.
• 2D 흐름을 격자 MAC 격자에서 표현하고 시간 적분을 explicit/implicit/IMEX 스킴으로 구현한다.
• 특징이 풍부한 표현을 U-Net에 입력하여 p와 a를 업데이트한 후 네트워크 출력으로 현재 상태에 더해 유체 상태를 업데이트한다.
• Navier–Stokes 잔차와 경계 손실을 사용하는 물리 제약 손실로 학습하며, Reynolds 수가 높은 경우 압력 정규화 항을 선택적으로 포함한다.
• Ground-truth 데이터 없이 점진적으로 보다 현실적인 유체 상태를 생성하기 위해 예측된 필드를 재활용하고 재사용하는 재활용 학습 전략을 채택한다.
• 벡터 포텐셜 없이 속도만 직접 예측하는 ablation 모델(v-Net)을 제공하여 성능을 비교한다.

실험 결과

연구 질문

• RQ1 CNN이 데이터 없이 처음부터 완전한 비압축성 Navier–Stokes 업데이트 단계를 학습할 수 있는가?
• RQ2 벡터 포텐셜을 통한 발산 강제화가 보지 못한 도메인 기하에 일반화를 가능하게 하는가?
• RQ3 물리 제약을 가진 비지도 학습 규범이 속도와 정확성 면에서 데이터 기반 또는 솔버 기반 기준선과 비교해 어떤 차이를 보이는가?
• RQ4 모델이 점성 효과와 Magnus 효과 및 카르만 와류 스트리트와 같은 복잡한 현상을 포착할 수 있는가?
• RQ5 학습된 모델이 충분히 미분 가능하여 유체 흐름에 대한 그래디언트 기반 제어를 가능하게 하는가?

주요 결과

• a-Net(벡터 포텐셜 기반) 모델이 속도 전용 ablation보다 더 높은 정확도를 달성하고, 100×100 테스트에서 발산 및 운동량 손실 측면에서 PhiFlow를 능가한다.
• a-Net은 PhiFlow보다 훨씬 빠르게 실행되며 CPU에서 초당 타임스텝 수는 11배, GPU에서 40배의 속도 향상을 보인다.
• dt = 4일 때, a-Net은 L_d = 5.44e-7 및 L_p = 1.56e-5를 달성하며 두 지표 모두에서 v-Net을 능가한다.
• 정성적 결과는 Reynolds 수에 따른 올바른 와인 웨이크 역학과 Magnus 효과 및 트레이닝 중 보지 못한 항공기 형상 주위의 상승 압력장을 재현하는 것을 보여준다.
• 모델은 실시간 시뮬레이션(~250 타임스텝/s, 100×300 그리드)과 그래디언트 기반 최적 제어가 가능한 미분 가능 동작을 시연한다.