[논문 리뷰] Simulating Surface Wave Dynamics with Convolutional Networks

Mario Lino, Chris D. Cantwell외 3명|arXiv (Cornell University)|2020. 12. 01.

Aerodynamics and Fluid Dynamics Research인용 수 9

한 줄 요약

이 논문은 복잡한 2차원 기하구조에서 얕은 수심 방정식에 의해 지배되는 표면파 역학을 시뮬레이션하기 위해 수정된 U-Net 컨볼루션 신경망을 제안한다. 훈련 데이터로 직선 벽과 직각 모서리만 사용했음에도 불구하고, 곡선 및 다면체 도메인으로 일반화하여 정확하게 예측한다. 고차수 스펙트럼 해석기보다 10,000배 빠른 추론 속도를 달성했으며, 별도의 3D CNN을 사용해 예측치를 보간함으로써 재학습 없이도 시간 해상도를 4배로 높였다.

ABSTRACT

We investigate the performance of fully convolutional networks to simulate the motion and interaction of surface waves in open and closed complex geometries. We focus on a U-Net architecture and analyse how well it generalises to geometric configurations not seen during training. We demonstrate that a modified U-Net architecture is capable of accurately predicting the height distribution of waves on a liquid surface within curved and multi-faceted open and closed geometries, when only simple box and right-angled corner geometries were seen during training. We also consider a separate and independent 3D CNN for performing time-interpolation on the predictions produced by our U-Net. This allows generating simulations with a smaller time-step size than the one the U-Net has been trained for.

연구 동기 및 목표

• 단순한 기하구조에서만 훈련된 데이터를 사용하여, 복잡하고 비직선적인 유체 도메인에서 표면파 역학을 정확하게 시뮬레이션할 수 있는 딥러닝 모델을 개발하는 것.
• 완전 컨볼루션 네트워크(U-Net)가 훈련 데이터에 포함되지 않은 새로운 경계 형태와 위상 구조로의 일반화 능력을 평가하는 것.
• 기본적인 CNN 기반 물리 모델의 고정된 시간 간격 제약를 극복하여 고시간 해상도 시뮬레이션을 가능하게 하는 것.
• 기존의 PDE 해석기 대체 또는 보완하는 학습 가능한 서rogate 모델을 도입하여 추론 시간을 단축시키는 것.

제안 방법

• U-Net은 기하구조 필드 Ω와 5개의 연속된 고도 필드를 입력으로 받아 시간 단계 s+5에서의 다음 고도 필드를 예측한다.
• 네트워크는 Nektar++를 사용해 2차원 점성 없는 얕은 수심 방정식을 수치적으로 풀어 생성한 데이터로 훈련된다. 경계 조건으로는 고체 벽과 개방 경계 조건이 사용된다.
• 훈련 데이터는 상자형 및 직각 모서리 기하구조(데이터셋 A 및 B)만 포함되며, 테스트는 곡선 및 복잡한 도메인(C–G)을 포함한다.
• 별도의 3D CNN을 독립적으로 훈련시켜 U-Net 예측치에 시간 보간을 수행함으로써 시간 해상도를 4배로 높였다.
• 데이터 증강 기법으로는 무작위 회전, 반전, 자르기, 선형 보간을 통해 128×128 해상도로 변환하여 일반화 능력을 향상시켰다.
• 고도 필드는 평균 및 최댓값 기반 최소-최대 스케일링을 통해 정규화되어 훈련 안정성을 향상시켰다.

실험 결과

연구 질문

• RQ1 직선 벽 기하구조에서만 훈련된 U-Net이 복잡하고 곡선적이며 다면체적인 도메인에서도 파동 역학을 정확하게 시뮬레이션할 수 있는가?
• RQ2 완전 컨볼루션 네트워크가 훈련 데이터에 존재하지 않는 새로운 경계 형태와 위상에 얼마나 잘 일반화되는가?
• RQ3 별도의 3D CNN이 원래 시간 간격보다 더 높은 시간 해상도를 달성하기 위해 예측치를 효과적으로 보간할 수 있는가?
• RQ4 제안된 딥러닝 모델의 추론 속도가 고차수 스펙트럼/hp 유한요소 해석기와 비교해 어떻게 되는가?

주요 결과

• U-Net은 상자형 및 모서리 기하구조에서만 훈련되었음에도 불구하고, 볼록형, 오목형, 스플라인 기반 및 타원형 도메인을 포함한 복잡한 기하구조로 정확하게 일반화된다.
• 모델은 최신 기술의 스펙트럼/hp 유한요소 해석기보다 시뮬레이션 속도가 4개 지수 빠르게 되어 실시간 응용이 가능하다.
• 3D CNN은 재학습 없이도 효과적으로 예측치를 보간하여 시간 해상도를 4배로 높였다.
• 모델은 날카로운 모서리와 곡선 경계에서의 파동 전파, 반사, 간섭, 회절 현상을 정확하게 포착한다.
• 데이터 증강 및 정규화 기법이, 특히 새로운 도메인 형태와 방향에 대해 일반화 능력을 크게 향상시킨다.
• U-Net은 단일 방울 낙하와 다양한 진폭 및 위치 조건을 포함한 다양한 초기 조건에서도 높은 정확도를 유지한다.