[논문 리뷰] NPLIC: A Machine Learning Approach to Piecewise Linear Interface Construction

Mohammadmehdi Ataei, Markus Bussmann외 4명|arXiv (Cornell University)|2020. 06. 26.

Fluid Dynamics and Heat Transfer참고 문헌 42인용 수 30

한 줄 요약

이 논문은 볼륨 오브 플루이드(Volume of Fluid, VOF) 시뮬레이션에서 조각별 선형 인터페이스 구축(Piecewise Linear Interface Construction, PLIC)을 가속화하기 위한 딥러닝 기반 방법인 NPLIC을 제안한다. 인터페이스 법선과 체적 분율의 합성 데이터셋에 대해 퍼블릭 컨넥티드 신경망을 훈련시킴으로써, NPLIC는 최대 100배 빠른 속도로 PLIC 정확도를 달성한다—특히 복잡한 3D 및 삼각형 메쉬에서 유의미하며, 단일 모델로 다양한 메쉬 유형을 지원한다.

ABSTRACT

Volume of fluid (VOF) methods are extensively used to track fluid interfaces in numerical simulations, and many VOF algorithms require that the interface be reconstructed geometrically. For this purpose, the Piecewise Linear Interface Construction (PLIC) technique is most frequently used, which for reasons of geometric complexity can be slow and difficult to implement. Here, we propose an alternative neural network based method called NPLIC to perform PLIC calculations. The model is trained on a large synthetic dataset of PLIC solutions for square, cubic, triangular, and tetrahedral meshes. We show that this data-driven approach results in accurate calculations at a fraction of the usual computational cost, and a single neural network system can be used for interface reconstruction of different mesh types.

연구 동기 및 목표

• VOF 시뮬레이션에서 기존 PLIC 알고리즘의 계산 비용과 구현 복잡도를 해결하기 위해.
• 기하학적 PLIC의 대체로 높은 정확도를 유지하는 데이터 기반 신경망 기반 접근법을 개발하기 위해.
• 재훈련 없이도 정사각형, 입방체, 삼각형, 테트라헤드럴 메쉬 등 다양한 메쉬 유형을 처리할 수 있는 단일 신경망 모델을 구현하기 위해.
• CFD 시뮬레이션에서 수치 정밀도를 유지하면서도 인터페이스 재구성에 소요되는 계산 시간을 크게 줄이기 위해.

제안 방법

• 정사각형, 입방체, 삼각형, 테트라헤드럴 메쉬를 위한 PLIC 해의 대규모 합성 데이터셋에 기반해 완전 연결 신경망을 훈련한다.
• 메쉬 기하학을 변환 행렬을 사용해 정규화하여 입력 차원을 인터페이스 법선(θ, φ)과 체적 분율(α₀)으로 감소시킨다.
• 메쉬 유형 식별자(m = 1은 테트라헤드럴/삼각형, m = 0은 입방체/정사각형)를 공유 입력 레이어에 통합하여 다양한 메쉬 유형 간 모델을 통합한다.
• 예측된 C와 기저 진리 PLIC 해 간의 예측 오차를 최소화하기 위해 평균 제곱오차(MSE) 손실을 훈련 중 사용한다.
• CPU 및 GPU 하드웨어에서 효율적인 추론을 위해 최적화된 딥러닝 라이브러리(예: PyTorch)를 활용한다.
• 훈련된 NPLIC 모델을 Basilisk CFD 솔버에 기존 PLIC 알고리즘의 즉각적인 대체로 통합한다.

실험 결과

연구 질문

• RQ1 단일 신경망이 다양한 메쉬 유형(정사각형, 입방체, 삼각형, 테트라헤드럴)에서 정확하게 PLIC 해를 예측할 수 있는가?
• RQ2 NPLIC의 추론 속도는 최신 분석적 및 반복적 PLIC 방법과 비교해 어떻게 되는가?
• RQ3 특히 α₀ = 0 및 α₀ = 1 근처에서 NPLIC는 기존 PLIC에 비해 얼마나 정확도를 유지하는가?
• RQ4 재훈련 없이도 다양한 메쉬 해상도와 인터페이스 방향에서 NPLIC이 높은 성능을 유지를 할 수 있는가?
• RQ5 NPLIC에서 모델 깊이(은닉층의 뉴런 수)가 정확도와 속도 간의 상호 보완적 관계에 미치는 영향은 무엇인가?

주요 결과

• NPLIC는 테스트 데이터셋에서 평균 절대 오차(MAE) 약 0.1%를 기록하여 기존 PLIC와 거의 동일한 정확도를 확보했다.
• 3D 테트라헤드럴 및 삼각형 메쉬에서, NPLIC는 분석적 PLIC 방법 대비 GPU에서 최대 100배 빠르고 CPU에서 8배 이상 빠르게 작동한다.
• 정사각형 및 입방체 메쉬에서는 CPU에서 8배 이상 빠르며, GPU에서는 최대 100배 빠르게 작동하지만, 일부 2D 케이스에서는 분석적 PLIC가 여전히 더 빠르다.
• 은닉층당 48개의 뉴런을 사용해 훈련한 모델은 약 0.1%의 오차를 기록하여 다른 PLIC 근사 기법과 유사한 성능을 보였다.
• NPLIC는 Basilisk CFD 솔버에 성공적으로 통합되었으며, 인터페이스 재구성 시간을 약 5배 감소시켰고, PLIC와 구분할 수 없을 정도로 유사한 결과를 도출했다.
• 배치 추론과 하드웨어 최적화된 딥러닝 라이브러리를 활용해 NPLIC는 GPU에서 1.21 TFLOPS의 성능을 기록했으며, CPU 기반 PLIC의 2.42 GFLOPS보다 훨씬 뛰어났다.