[논문 리뷰] Learning the solution operator of two-dimensional incompressible Navier-Stokes equations using physics-aware convolutional neural networks

Viktor Grimm, Alexander Heinlein외 1명|arXiv (Cornell University)|2023. 08. 04.

Model Reduction and Neural NetworksPhysics and Astronomy인용 수 3

한 줄 요약

이 논문은 레이블이 없는 데이터나 기하학적 매개변수화 없이도 임의의 비정규 기하구조에서 2차원 정 steady 상태 압축성 라우즈-스토크스 방정식의 해 연산자를 학습할 수 있는 물리법칙 인식 컨볼루션 신경망(CNN)을 제안한다. U-Net 유사 CNN과 유한차분 이산화를 조합하고 물리 법칙을 물리법칙 인식 손실을 통해 강제함으로써, 기존의 CFD 시뮬레이션보다 최대 600,000배 빠른 추론 속도를 달성하면서도, 원형이나 꽃 모양의 장애물과 같은 새로운 기하구조로도 효과적으로 일반화된다.

ABSTRACT

In recent years, the concept of introducing physics to machine learning has become widely popular. Most physics-inclusive ML-techniques however are still limited to a single geometry or a set of parametrizable geometries. Thus, there remains the need to train a new model for a new geometry, even if it is only slightly modified. With this work we introduce a technique with which it is possible to learn approximate solutions to the steady-state Navier--Stokes equations in varying geometries without the need of parametrization. This technique is based on a combination of a U-Net-like CNN and well established discretization methods from the field of the finite difference method.The results of our physics-aware CNN are compared to a state-of-the-art data-based approach. Additionally, it is also shown how our approach performs when combined with the data-based approach.

연구 동기 및 목표

• 레이블이 없는 데이터나 기하학적 매개변수화 없이도 다양한 비정규 기하구조에서 일반화 가능한 2차원 압축성 라우즈-스토크스 방정식의 서rogate 모델을 개발하는 것.
• 기존의 물리법칙 기반 기계학습 방법이 특정 기하구조에 제한되거나 새로운 설정마다 학습 데이터가 필요로 하는 한계를 극복하는 것.
• 단일로 훈련된 CNN을 사용하여 여러 새로운 기하구조, 특히 곡선형 및 비직사각형 장애물에 대해 유체 흐름과 압력장을 신속하고 정확하게 예측할 수 있도록 하는 것.
• 물리법칙 인식 손실 함수가 순수 데이터 기반 접근 방식보다 일반화 및 예측 정확도를 향상시키며, 특히 저속 유동에서 그 효과가 두드러진다는 것을 입증하는 것.

제안 방법

• 입력 기하구조 이미지와 경계 조건에서 속도장과 압력장을 예측하기 위해 U-Net 유사 컨볼루션 신경망 아키텍처를 사용한다.
• 유한차분 근사에 기반한 물리법칙 인식 손실 함수를 구성하여 훈련 목표 함수에 직접 PDE 잔여항을 강제한다.
• 구조적 격자 위에서 유한차분을 사용해 라우즈-스토크스 방정식을 이산화하며, CNN이 각 격자점에서의 해 계수를 예측한다.
• 참고 해가 필요 없이 기하구조 이미지와 경계 조건만을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 좌표 변환이나 도메인 매핑을 피함으로써 비매개변수화된 임의의 기하구조에 직접 적용 가능하다.
• 훈련 과정에서 물리적 제약 조건을 손실에 통합하여 예측 결과가 매번 훈련 단계에서 비압축성 및 운동량 방정식을 만족하도록 보장한다.

실험 결과

연구 질문

• RQ1 레이블이 없는 데이터로도 2차원 압축성 라우즈-스토크스 방정식에 대해 새로운 비정규 기하구조로 일반화 가능한 단일 물리법칙 인식 CNN을 개발할 수 있는가?
• RQ2 유한차분 이산화에 기반한 물리법칙 인식 손실 함수는 순수 데이터 기반 접근 방식에 비해 정확도와 일반화 성능에서 어떻게 비교되는가?
• RQ3 다양한 별형 장애물에 대해 훈련된 CNN이 원형이나 타원과 같은 연속적인 곡률을 가진 기하구조의 흐름장을 얼마나 잘 예측할 수 있는가?
• RQ4 기존 CFD 시뮬레이션에 비해 제안된 서rogate 모델의 계산 속도 향상은 어느 정도인가?

주요 결과

• 물리법칙 인식 CNN은 기존 CFD 시뮬레이션보다 최대 600,000배 빠른 추론 속도를 달성했으며, 기하구조당 평가 시간은 약 6밀리초였다.
• 모델은 원형 장애물과 5개의 꽃잎을 가진 꽃 모양의 기하구조와 같은 새로운 기하구조로도 잘 일반화되었으며, 경계 근처에서 국소적인 오차가 발생하는 것을 제외하고 매끄러운 예측 결과를 보였다.
• 저속 유동에서는 물리법칙 인식 접근 방식이 일반화 성능에서 데이터 기반 베이스라인을 능가했으며, 데이터 기반 모델은 새로운 기하구조에서 어려움을 겪었다.
• 유한차분 해상도가 다소粗일지라도, 대부분의 기하구조에서 기준 해에 가까운 예측 결과를 도출했으며, 일반화 성능에서 데이터 기반 및 순수 물리법칙 기반 베이스라인을 모두 뛰어넘었다.
• 물리법칙 인식 모델이 기준 해와 일치하지 않는 경우, 고해상도 유한체적 방법 역시 수렴하지 못했으며, 이러한 흐름 영역에서의 수치적 과제가 본질적임을 시사했다.