[논문 리뷰] Deep Learning the Physics of Transport Phenomena

Amir Barati Farimani, Joseph Gomes외 1명|arXiv (Cornell University)|2017. 09. 07.

Model Reduction and Neural Networks인용 수 94

한 줄 요약

본 논문은 조건부 GAN이 경계 조건으로부터 정상상태 열전도와 비압축성 유체 흐름에 대한 고충실도 해를 직접 생성할 수 있음을 보여주며, <1% MAE 및 유한 차분 방법보다 더 빠른 성능을 달성한다.

ABSTRACT

We have developed a new data-driven paradigm for the rapid inference, modeling and simulation of the physics of transport phenomena by deep learning. Using conditional generative adversarial networks (cGAN), we train models for the direct generation of solutions to steady state heat conduction and incompressible fluid flow purely on observation without knowledge of the underlying governing equations. Rather than using iterative numerical methods to approximate the solution of the constitutive equations, cGANs learn to directly generate the solutions to these phenomena, given arbitrary boundary conditions and domain, with high test accuracy (MAE$

연구 동기 및 목표

• 경계 조건만으로 전송 현상의 해를 학습해 생성할 수 있는 cGAN의 가능성을 시연한다.
• 모델이 보이지 않는 도메인 기하학 및 경계 조건으로 일반화될 수 있음을 보인다.
• 속도, 압력, 온도 필드 간의 공유 표현을 통해 다중 물리 현상의 coupling을 시연한다.
• 전통적인 FD 방법과의 정확도 및 계산 성능을 평가한다.

제안 방법

• 도메인과 경계 조건에서 해 공간으로의 매핑을 학습하기 위해 U-Net 생성기와 PatchGAN 판별기를 갖춘 조건부 GAN 프레임워크를 적용한다.
• 그리드 노드에 대한 Markov 랜덤 필드를 학습하는 문제로 간주하고, 판별기가 국소 PDE-일관성 패치를 안내하도록 한다.
• 생성기에서 인코더–디코더 CNN을 사용하고 건너뛰기 연결으로 거친 표현에서 고해상도 해를 합성한다.
• 열전달은 64x64 그리드, 유체 흐름은 세 채널(u, v, p)로 64x64 그리드로 학습하며, 타이밍을 위해 더 큰 도메인 테스트를 수행한다.
• 생성기를 현실성(adj)와 충실도 간의 균형을 맞추기 위해 적대적 손실(adversarial loss)과 L1 손실을 함께 최적화한다.

실험 결과

연구 질문

• RQ1 cGAN이 명시적 PDE 지식 없이 임의의 경계 조건과 도메인에서 정상 상태의 온도 필드를 학습해 생성할 수 있는가?
• RQ2 cGAN이 속도 벡터(boundary 조건으로 주어진 속도만으로) 및 압력, 흐름 패턴을 정확하게 예측할 수 있는가?
• RQ3 학습된 물리 모델이 보이지 않는 기하학 및 경계 조건으로 일반화되는가?
• RQ4 cGAN의 성능은 정확도와 계산 시간 면에서 유한 차분 방법과 비교해 어떤 차이가 있는가?

주요 결과

• 열전달 cGAN은 테스트 데이터에서 평균 MAE가 1% 이하를 달성한다.
• 유체 흐름 예측은 테스트 사례 전반에서 속도 및 압력 필드의 높은 정확도를 보이며 실제 값과 매우 근접하다.
• 판별기가 국소 PDE-일관성 패치를 학습하여 생성된 해에서 지배 방정 관계를 효과적으로 강제한다.
• 생성된 해는 평가된 그리드 크기에서 전통적인 FD 해답자보다 두드러지게 빠르다(한 차원 이상 빠름).
• 테스트 데이터 전반에 걸쳐 열전달의 MAE는 0.7226°C(상대적으로 1% 미만)이며, 속도와 압력 오차는 엄격한 RMSD 한계 이내이다.
• 프레임워크는 보이지 않는 도메인 기하학과 경계 조건에 일반화되며, 공유 표현을 통해 다중 물리 간의 coupling을 가능하게 한다.