[논문 리뷰] Poisson CNN: Convolutional Neural Networks for the Solution of the Poisson Equation with Varying Meshes and Dirichlet Boundary Conditions

Ali Girayhan Özbay, Sylvain Laizet외 3명|arXiv (Cornell University)|2019. 10. 18.

Model Reduction and Neural Networks참고 문헌 8인용 수 15

한 줄 요약

이 논문은 다양한 메쉬와 디리클레 경계 조건을 가진 2차원 푸아송 방정식을 해결하는 완전 컨volution 신경망인 Poisson CNN을 제안한다. 문제를 동차 푸아송 문제와 네 개의 비동차 라플라스 부분 문제로 분해함으로써 경계 효과를 분리한다. 모델은 분석적 테스트 케이스에서 평균 백분율 오차 15%를 기록하며, 훈련 중에 볼 수 없었던 더 조밀한 메쉬로 일반화되며, 계산 유체역학 분야에서 대규모 푸아송 해법을 가속화하는 데 잠재력을 보여준다.

ABSTRACT

The Poisson equation is commonly encountered in engineering, including in computational fluid dynamics where it is needed to compute corrections to the pressure field. We propose a novel fully convolutional neural network (CNN) architecture to infer the solution of the Poisson equation on a 2D Cartesian grid of varying size and spacing given the right hand side term, arbitrary Dirichlet boundary conditions and grid parameters which provides unprecendented versatility in this application. The boundary conditions are handled using a novel approach by decomposing the original Poisson problem into a homogeneous Poisson problem plus four inhomogeneous Laplace sub-problems. The model is trained using a novel loss function approximating the continuous $L^p$ norm between the prediction and the target. Analytical test cases indicate that our CNN architecture is capable of predicting the correct solution of a Poisson problem with mean percentage errors of 15% and promises improvements in wall-clock runtimes for large problems. Furthermore, even when predicting on meshes denser than previously encountered, our model demonstrates encouraging capacity to reproduce the correct solution profile.

연구 동기 및 목표

• 다양한 2차원 데카르트 메쉬의 크기와 간격을 가진 메쉬에서 푸아송 방정식을 효율적으로 해결할 수 있는 딥 러닝 모델을 개발한다.
• 각 새로운 구성에 대해 재학습이 필요 없도록, 솔루션 정확도를 유지하면서 복잡한 디리클레 경계 조건을 처리한다.
• 대규모 문제에 대해 기존 수치 해법보다 빠른 추론을 가능하게 하며, 벽 시계 속도 향상을 목표로 한다.
• 연속적인 $L^p$ 노름을 근사하는 손실 함수를 설계하여 일반화 및 솔루션 정밀도를 향상시킨다.

제안 방법

• 경계 효과를 분리하기 위해 원래의 푸아송 문제를 동차 푸아송 문제와 네 개의 비동차 라플라스 부분 문제로 분해한다.
• 입력 특징으로 우변 항, 경계 조건, 메쉬 파라미터를 처리하는 완전 컨volution 신경망(CNN) 아키텍처를 사용한다.
• 예측값과 진짜값 사이의 연속적인 $L^p$ 노름을 근사하는 새로운 손실 함수를 도입하여 솔루션 정확도를 향상시킨다.
• 일반화를 향상시키기 위해 다양한 메쉬 구성과 경계 조건을 가진 합성 분석 테스트 케이스를 기반으로 모델을 훈련한다.
• 크기, 간격 등 메쉬 파라미터를 입력 특징으로 포함하여, 훈련 중에 볼 수 없던 메쉬 해상도에서도 제로샷 추론을 가능하게 한다.
• 메쉬 구조와 무관하게 디리클레 데이터의 영향을 학습할 수 있도록 경계 조건 인코딩을 적용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 재학습 없이도 크기와 간격이 다른 2차원 메쉬에서 푸아송 방정식을 일반화하여 해결할 수 있는가?
• RQ2 훈련 세트보다 더 조밀한 메쉬에서 테스트할 경우, CNN 모델이 푸아송 방정식의 솔루션을 얼마나 정확하게 예측할 수 있는가?
• RQ3 푸아송 문제를 라플라스 부분 문제로 분해하는 방법이 솔루션 정밀도와 일반화 능력을 향상시키는가?
• RQ4 연속적인 $L^p$-노름 기반 손실 함수는 표준 이산 손실 함수에 비해 솔루션 정확도를 얼마나 향상시키는가?

주요 결과

• Poisson CNN 모델은 분석적 테스트 케이스에서 평균 백분율 오차 15%를 기록하여 푸아송 방정식에 대한 강력한 예측 정확도를 보였다.
• 훈련 중에 볼 수 없었던 더 조밀한 메쉬로도 효과적으로 일반화되어 정확한 솔루션 프로파일을 재현했다.
• 동차 및 비동차 부분 문제로의 분해 덕분에 다양한 구성에서 디리클레 경계 조건을 정확하게 처리할 수 있었다.
• 새로운 $L^p$-노름 기반 손실 함수는 기존 PDE의 연속적 성질을 더 잘 근사함으로써 솔루션 정밀도를 향상시켰다.
• 특히 계산 유체역학과 같은 분야에서 대규모 푸아송 해법에 대해 벽 시계 속도 향상 잠재력을 보였다.
• 다양한 메쉬 파라미터에서도 성능을 유지하여 재학습 없이도 메쉬 이질성에 대해 강건함을 입증했다.