[논문 리뷰] Reconstruction of Simulation-Based Physical Field with Limited Samples by ReConNN.

Yu Li, Wang Hu외 2명|arXiv (Cornell University)|2018. 04. 19.

Cell Image Analysis Techniques참고 문헌 42인용 수 2

한 줄 요약

이 논문은 유한한 시뮬레이션 샘플에서 물리적 필드를 재구성하기 위해 컨volution 인 컨volution(CIC) 네트워크와 워셔스타인 GAN 기반 오토에인코더(WGAN-CAE)를 조합한 새로운 딥러닝 프레임워크 ReConNN을 제안한다. CNN을 회귀 매핑에 활용하고 GAN을 고해상도 가짜 등고선 생성에 사용함으로써 ReConNN은 계산 비용을 줄이며 응력, 변형률 및 변형 필드를 정확하게 재구성할 수 있으며, 표준 CNN 및 GAN 아키텍처보다도 회귀 및 생성 작업 모두에서 뛰어난 성능을 보인다.

ABSTRACT

A variety of modeling techniques have been developed in the past decade to reduce the computational expense and increase the calculation accuracy. In this study, the distinctive characteristic compared to classical modeling models is from image based model to mechanical based model (e.g. stress, strain, and deformation). In such framework, a neural network architecture named ReConNN is proposed and the ReConNN mainly contains two neural networks that are CNN and GAN. A classical topology optimization is considered as an experimental example, and the CNN is employed to construct the mapping between contour images during topology optimization and compliance. Subsequently, the GAN is utilized to generate more contour images to improve the reconstructed model. Finally, the Lagrange polynomial is applied to complete the reconstruction. However, typical CNN architectures are commonly applied to classification problems, which appear powerless handling with regression of images for simulation problems. Meanwhile, the existing GAN architectures are insufficient to generate high-accuracy pseudo contour Therefore, a Convolution in Convolution (CIC) architecture and a Convolutional AutoEncoder based on Wasserstein Generative Adversarial Network (WGAN-CAE) architecture are suggested. Specially, extensive experiments and comparisons with existing architectures of CNN and GAN demonstrate that the CIC is highly accurate and corresponding computational cost also can be significantly reduced when handling the regression problem of contour images, and the WGAN-CAE achieves significant improvements on generating contour images. The results demonstrate that the proposed ReConNN has a potential capability to reconstruct physical field for further researches, e.g. optimization.

연구 동기 및 목표

• 기계 해석에서 제한된 시뮬레이션 샘플로부터 물리적 필드를 재구성하는 문제를 해결하기 위해.
• 표준 CNN이 시뮬레이션 데이터의 이미지 회귀 작업을 처리하는 데 한계를 갖는 문제를 극복하기 위해.
• 희소한 시뮬레이션 데이터에 대한 가짜 등고선 생성의 품질과 정확도를 향상시키기 위해.
• 재구성 정밀도를 유지하면서 계산 비용을 줄이기 위해 시뮬레이션 기반 물리적 필드 모델링에서 효율성을 확보하기 위해.

제안 방법

• 기계 시뮬레이션의 등고선 이미지 데이터에 대한 회귀 성능을 향상시키기 위해 CIC 아키텍처를 제안한다.
• 워셔스타인 GAN 기반의 컨volution 오토에인코더(WGAN-CAE)를 개발하여 고정밀도 가짜 등고선 이미지를 생성한다.
• CNN 구성 요소는 최적화에서 등고선 이미지와 적합성 값 간의 매핑을 학습한다.
• GAN 구성 요소는 훈련 데이터 증강 및 모델 일반화 향상을 위해 합성 등고선 이미지를 생성한다.
• 최종 물리적 필드 재구성은 라그랑주 다항식 보간을 적용하여 완료된다.
• CIC는 회귀에, WGAN-CAE는 생성에 사용되며, 이는 희소 샘플에서 물리적 필드의 엔드 투 엔드 재구성을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기계 시뮬레이션의 등고선 이미지에 대한 회귀 작업에서 CIC 기반 CNN 아키텍처가 표준 CNN보다 뛰어난 성능을 보일 수 있는가?
• RQ2 WGAN-CAE 기반 GAN이 재구성 정확도를 향상시키는 현실적이고 고정밀도의 가짜 등고선 이미지를 생성할 수 있는가?
• RQ3 제한된 시뮬레이션 샘플에서 물리적 필드를 재구성할 때 ReConNN은 기존의 CNN 및 GAN 아키텍처보다 어떻게 비교되는가?
• RQ4 CIC와 WGAN-CAE의 통합이 재구성 정확도를 유지하면서 계산 비용을 얼마나 줄일 수 있는가?
• RQ5 제안된 프레임워크는 최적화에서 응력, 변형률 및 변형 필드의 효과적인 재구성을 가능하게 하는가?

주요 결과

• CIC 아키텍처는 표준 CNN보다 등고선 이미지에 대한 회귀 작업에서 더 높은 정확도를 달성하며, 계산 비용이 크게 감소한다.
• WGAN-CAE 기반 GAN은 현실적이고 고정밀도의 가짜 등고선 이미지를 생성하는 데 있어 상당한 향상을 보였다.
• ReConNN는 시뮬레이션 기반 물리적 필드 재구성의 회귀 및 생성 작업 모두에서 기존의 CNN 및 GAN 아키텍처를 능가한다.
• CIC와 WGAN-CAE의 통합은 희소한 시뮬레이션 샘플만으로도 정확한 물리적 필드 재구성을 가능하게 한다.
• 라그랑주 다항식 보간의 사용은 재구성 과정을 효과적으로 완료하여 매끄럽고 일관된 필드 출력을 보장한다.
• 전반적인 프레임워크는 최적화 및 시뮬레이션 기반 공학 설계에 응용될 잠재력이 높다.