[논문 리뷰] Neural Networks Predict Fluid Dynamics Solutions from Tiny Datasets.

Cristina White, Daniela Ushizima외 1명|arXiv (Cornell University)|2019. 01. 26.

Model Reduction and Neural Networks참고 문헌 6인용 수 9

한 줄 요약

이 논문은 유체역학 시뮬레이션을 효과적으로 확장된 소규모 사전 계산된 데이터셋과 고도로 비선형적인 특성을 반영한 인덕티브 바이어스를 활용하여 가속화하는 새로운 모델리스 신경망 접근법인 클러스터 네트워크를 소개한다. 이는 상태최근성 수준에 가까운 정확도를 달성하고, 순차적 속도 향상 약 10배를 기록하며, 기존의 모델리스 방법보다도 유체역학 문제에서 뛰어난 성능을 보인다.

ABSTRACT

Incorporating computational fluid dynamics in the design process of jets, spacecraft, or gas turbine engines is often challenged by the required computational resources and simulation time, which depend on the chosen physics-based computational models and grid resolutions. An ongoing problem in the field is how to simulate these systems faster but with sufficient accuracy. While many approaches involve simplified models of the underlying physics, others are model-free and make predictions based only on existing simulation data. We present a novel model-free approach in which we reformulate the simulation problem to effectively increase the size of constrained pre-computed datasets and introduce a novel neural network architecture (called a cluster network) with an inductive bias well-suited to highly nonlinear computational fluid dynamics solutions. Compared to the state-of-the-art in model-based approximations, we show that our approach is nearly as accurate, an order of magnitude faster, and easier to apply. Furthermore, we show that our method outperforms other model-free approaches.

연구 동기 및 목표

• 엔지니어링 설계에서 전통적인 유체역학 시뮬레이션(CFD) 방법의 높은 계산 비용과 긴 시뮬레이션 시간 문제를 해결한다.
• 유체역학에서의 소규모 사전 계산된 데이터셋의 한계를 극복하기 위해 데이터 재구성 기법을 통해 효과적인 데이터 크기를 효과적으로 증가시킨다.
• 유체 흐름 해의 복잡하고 비선형적인 행동에 맞는 인덕티브 바이어스를 갖춘 신경망 아키텍처를 개발한다.
• 정확도, 속도, 적용 용이성 측면에서 기존의 모델리스 및 모델기반 근사 기법을 뛰어넘는다.

제안 방법

• 제한된 사전 계산된 데이터셋에서의 데이터 효율성을 향상시키기 위해 시뮬레이션 문제를 재구성하여 합성 데이터 확장을 생성한다.
• 유체 흐름의 기하학적 및 동적 복잡성에 적합한 인덕티브 바이어스를 갖춘 새로운 신경망 아키텍처인 클러스터 네트워크를 도입한다.
• 입력 매개변수에서 유체 흐름 해로의 매핑을 학습하기 위해 최소한의 시뮬레이션 데이터로 클러스터 네트워크를 종단 간(end-to-end)으로 훈련시킨다.
• 물리적 일관성과 예측 해의 매끄러움을 강제하는 손실 함수를 사용하여 일반화 능력을 향상시킨다.
• 물리적으로 타당성을 유지하면서도 효과적인 데이터셋 크기를 증가시키는 데이터 증강 기법을 적용한다.
• 기존의 CFD 솔버에 비해 실시간 또는 거의 실시간 예측이 가능한 추론 속도 최적화를 수행한다.

실험 결과

연구 질문

• RQ1 모델리스 딥러닝 접근법이 유체역학 예측에서 극히 소규모 사전 계산된 데이터셋만으로도 높은 정확도를 달성할 수 있는가?
• RQ2 제안된 클러스터 네트워크 아키텍처는 최신의 모델기반 및 모델리스 방법과 비교해 성능 및 효율성 측면에서 어떻게 성과를 내는가?
• RQ3 데이터 재구성 기법이 제약이 있는 시뮬레이션 데이터셋의 유용성을 얼마나 효과적으로 증가시킬 수 있는가?
• RQ4 클러스터 네트워크 아키텍처의 인덕티브 바이어스가 높은 비선형성의 유체역학 문제에서 일반화 능력을 향상시키는가?

주요 결과

• 클러스터 네트워크는 상태최근성 수준에 근접한 정확도로 유체역학 예측을 수행하여 고도로 발전된 모델기반 근사 기법의 성능을 거의 그대로 따라간다.
• 이 방법은 최신의 모델기반 접근법보다 약 10배 빠른 속도를 기록하여 추론 시간을 크게 단축시킨다.
• 다양한 유체역학 시험 케이스에서 정확도와 강건성 측면에서 기존의 모델리스 방법을 모두 뛰어넘는 성능을 보였다.
• 데이터 재구성 기법은 소규모 데이터셋의 효과적 크기를 효과적으로 증가시켜 제한된 시뮬레이션 데이터에서 고성능 학습이 가능하게 했다.
• 클러스터 네트워크의 인덕티브 바이어스 덕분에 표준 신경망 아키텍처보다 복잡하고 비선형적인 유동 패턴에서 뛰어난 일반화 능력을 확보했다.
• 기존의 CFD 솔버 및 모델기반 근사 기법에 비해 적용이 더 쉬워 도메인 특화 모델 개발이 필요하지 않다.