[논문 리뷰] Simulation free reliability analysis: A physics-informed deep learning based approach

Souvik Chakraborty|arXiv (Cornell University)|2020. 05. 04.

Probabilistic and Robust Engineering Design참고 문헌 54인용 수 25

한 줄 요약

이 논문은 시뮬레이션 데이터가 필요 없이 고유의 미분방정식/편미분방정식(ODE/PDE)에서 직접 학습하는 물리학에 통합된 딥 뉴럴 네트워크(PI-DNN)를 사용한 시뮬레이션 없는 신뢰성 분석 프레임워크를 제안한다. 자동 미분과 물리학에 통합된 손실 함수를 활용하여 물리 법칙을 준수하고, 기준 문제들, 특히 시간에 따라 변화하는 경우에도 고정밀도로 고장 확률을 추정한다. 수렴은 20,000개의 콜로케이션 점에서 관찰되었고, 다양한 네트워크 아키텍처에서 안정적인 결과를 보였다.

ABSTRACT

This paper presents a simulation free framework for solving reliability analysis problems. The method proposed is rooted in a recently developed deep learning approach, referred to as the physics-informed neural network. The primary idea is to learn the neural network parameters directly from the physics of the problem. With this, the need for running simulation and generating data is completely eliminated. Additionally, the proposed approach also satisfies physical laws such as invariance properties and conservation laws associated with the problem. The proposed approach is used for solving three benchmark reliability analysis problems. Results obtained illustrates that the proposed approach is highly accurate. Moreover, the primary bottleneck of solving reliability analysis problems, i.e., running expensive simulations to generate data, is eliminated with this method.

연구 동기 및 목표

• 시뮬레이션 기반 신뢰성 분석의 계산적 병목 현상을 제거하기 위해 데이터 집약적인 방법 대신 물리학에 통합된 딥 러닝 프레임워크를 도입하기 위해.
• 샘플링된 시뮬레이션 데이터에 의존하지 않고도 물리 법칙(예: 불변성 및 보존 법칙)을 준수하는 방법을 개발하기 위해.
• 특히 시간에 따라 변화하는 신뢰성 문제에 대해 공간적 및 시간적 영역에서 고정밀도로 고장 확률을 예측할 수 있도록 하기 위해.
• 기준 문제들에 대해 제안된 접근법을 검증하고 최신 기술 대비 정확성과 강인성을 입증하기 위해.
• 콜로케이션 점의 수와 네트워크 아키텍처가 PI-DNN 모델의 안정성과 수렴에 미치는 영향을 조사하기 위해.

제안 방법

• 시스템 응답은 미세한 신경망(DNN)으로 표현되며, 미지수 파rameter는 고유의 ODE/PDE에서 유도된 물리학에 통합된 손실 함수를 통해 학습된다.
• 물리학에 통합된 손실 함수는 시스템의 물리 법칙을 학습 중에 직접 강제하기 위해 자동 미분를 활용하여 구성된다.
• 시뮬레이션 데이터가 필요 없으며, 대신 입력 영역 내의 콜로케이션 점에서 PDE/ODE 잔차를 최소화하는 방식으로 네트워크를 학습시킨다.
• 이 방법은 보존 법칙 및 대칭성과 같은 물리적 제약 조건이 DNN 해에 약간의 근사로 만족됨을 보장한다.
• 이 프레임워크는 시간에 따라 변화하는 세포 신호 전달 경로를 포함한 세 가지 기준 문제에 적용되었으며, 여러 시간 단계에서 고장 확률이 추정되었다.
• 네트워크 성능은 콜로케이션 점의 수와 아키텍처 하이퍼파rameter(예: 레이어 수 및 뉴런 수)를 변화시켜 평가되었다.

실험 결과

연구 질문

• RQ1 고장 확률 추정에 대해 시뮬레이션 생성 데이터가 전혀 없이도 물리적 PDE 및 ODE에서만 학습된 딥 러닝 모델이 정확한 신뢰성 분석을 달성할 수 있는가?
• RQ2 물리학에 통합된 손실 함수가 신경망 해에서 불변성 및 보존 법칙과 같은 물리 법칙을 얼마나 잘 준수하는가?
• RQ3 콜로케이션 점의 수가 고장 확률 추정의 수렴성과 정확성에 어떤 영향을 미치는가?
• RQ4 네트워크 아키텍처(레이어 수 및 뉴런 수)가 고장 확률 예측의 강인성과 안정성에 어떤 영향을 미치는가?
• RQ5 제안된 방법이 작은 고장 확률(예: 10^-4 수준)과 시간에 따라 변화하는 행동을 정확하게 포착할 수 있는가?

주요 결과

• 제안된 PI-DNN 방법은 세 가지 기준 문제에서 매우 정확한 고장 확률 추정치를 도출했으며, 몬테카를로 시뮬레이션(MCS) 기준치와 매우 유사한 결과를 보였다.
• 세포 신호 전달 경로 문제에서 20,000개의 콜로케이션 점을 사용할 경우 고장 확률은 0.0459로 안정화되었고, 신뢰도 지수는 1.6860이었다.
• 이 방법은 시간에 따라 변화하는 고장 확률을 성공적으로 포착했으며, 단일 학습된 모델로 모든 시간 단계에서 정확한 예측을 수행했다.
• 다양한 네트워크 아키텍처에서 신뢰도 지수가 안정되어 있었으며, 콜로케이션 점의 수에 따라 1.6211에서 1.7136 사이로 변동했다.
• 다양한 네트워크 구성에서 고장 확률에 대한 변동이 최소한(±0.001)으로 나타나 하이퍼파rameter 변화에 대해 강인함을 보였다.
• 이 방법은 작은 고장 확률(예: 약 10^-4)을 높은 정확도로 추정할 수 있었으며, 희귀 사건 분석에 적합함을 확인했다.