[논문 리뷰] The Potential of Machine Learning to Enhance Computational Fluid Dynamics.

Ricardo Vinuesa, Steven L. Brunton|arXiv (Cornell University)|2021. 10. 05.

Model Reduction and Neural Networks참고 문헌 132인용 수 34

한 줄 요약

이 논문은 물리 기반 학습을 통해 기계 학습이 직접 수치 시뮬레이션, 난류 모델링 및 축소 차원 모델의 가속화와 향상에 어떻게 기여할 수 있는지 탐구한다. 기계 학습의 잠재력을 극대화하기 위해 개방형 표준, 재현 가능한 연구 및 벤치마킹의 필요성을 강조한다.

ABSTRACT

Machine learning is rapidly becoming a core technology for scientific computing, with numerous opportunities to advance the field of computational fluid dynamics. This paper highlights some of the areas of highest potential impact, including to accelerate direct numerical simulations, to improve turbulence closure modelling, and to develop enhanced reduced-order models. In each of these areas, it is possible to improve machine learning capabilities by incorporating physics into the process, and in turn, to improve the simulation of fluids to uncover new physical understanding. Despite the promise of machine learning described here, we also note that classical methods are often more efficient for many tasks. We also emphasize that in order to harness the full potential of machine learning to improve computational fluid dynamics, it is essential for the community to continue to establish benchmark systems and best practices for open-source software, data sharing, and reproducible research.

연구 동기 및 목표

• 기계 학습이 계산 유체역학에서 고성능 응용 사례로 활용될 수 있는 분야를 규명하기 위해.
• 물리 법칙을 기계 학습 모델에 통합함으로써 시뮬레이션 정확도와 효율성을 향상시키는 방법을 탐색하기 위해.
• 기계 학습 기반 CFD에서 공동체 차원의 오픈 소스 소프트웨어, 데이터 공유 및 재현 가능한 연구 관행의 도입을 촉진하기 위해.

제안 방법

• 유체 시뮬레이션의 일반화 및 신뢰성 향상을 위해 기계 학습 아키텍처에 물리적 제약 조건을 통합하기 위해.
• 고정밀도 데이터에서 복잡한 유동 역학을 학습함으로써 직접 수치 시뮬레이션을 가속화하기 위해 데이터 기반 모델을 사용하기 위해.
• 기존의 경험적 모델을 대체하거나 개선하기 위해 난류 폐쇄 모델링을 위한 물리 기반 신경망을 개발하기 위해.
• 주요 유동 특징을 낮은 계산 비용으로 포착하기 위해 기계 학습을 활용한 향상된 축소 차원 모델을 구축하기 위해.
• 기존의 고정밀도 시뮬레이션 데이터를 활용해 다양한 유동 영역에 일반화 가능한 기계 학습 모델을 훈련하기 위해.
• 재현 가능성과 CFD에서의 기계 학습 공동체의 광범위한 도입을 보장하기 위해 벤치마크 시스템과 최선의 실천 방법을 수립하기 위해.

실험 결과

연구 질문

• RQ1 기계 학습을 통해 어떻게 난류 유동의 직접 수치 시뮬레이션을 가속화할 수 있는가?
• RQ2 물리 기반 기계 학습은 난류 폐쇄 모델링을 어떻게 향상시킬 수 있는가?
• RQ3 물리적 일관성을 유지하면서 기계 학습을 활용해 축소 차원 모델을 어떻게 향상시킬 수 있는가?
• RQ4 오픈 데이터, 소프트웨어 및 재현 가능한 관행은 ML 기반 CFD 발전에 어떤 역할을 하는가?
• RQ5 효율성과 정확도 측면에서 물리 기반 기계 학습 모델은 기존 방법과 어떻게 비교되는가?

주요 결과

• 기계 학습은 고정밀도 데이터에서 복잡한 유동 역학을 학습함으로써 직접 수치 시뮬레이션을 상당히 가속화할 수 있다.
• 순수한 데이터 기반 접근 방식에 비해 물리 기반 기계 학습은 난류 폐쇄 모델의 정확도와 강건성을 향상시킨다.
• 기계 학습 기반으로 향상된 축소 차원 모델은 상당히 낮은 계산 비용으로도 높은 정밀도를 달성할 수 있다.
• 기계 학습 모델에 물리적 제약 조건을 통합하면 유체역학 응용 분야에서 더 나은 일반화 및 해석 가능성 확보가 가능하다.
• 일부 작업에서는 전통적 방법이 여전히 더 효율적이므로 하이브리드 또는 선택적 기계 학습 통합의 필요성이 드러난다.
• 오픈 소스 벤치마크, 공유 데이터 및 재현 가능한 워크플로우의 구축은 CFD에서 기계 학습의 장기적 발전을 위해 필수적이다.