[論文レビュー] DeepFlame: A deep learning empowered open-source platform for reacting flow simulations

Runze Mao, Minqi Lin+4 more|arXiv (Cornell University)|Oct 13, 2022

Advanced Combustion Engine Technologies被引用数 4

ひとこと要約

DeepFlame は、OpenFOAM、Cantera、PyTorch を統合したオープンソースの C++ プラットフォームであり、深層学習を用いて反応流シミュレーションの高速化を実現する。従来の ODE スolver の代わりに DNN に基づく化学反応解析を採用することで、GPU/DCU ハードウェア上での化学反応速度評価を最大 100 倍高速化し、代表的なテストケースにおいて高い精度と優れた並列スケーラビリティを示した。

ABSTRACT

In this work, we introduce DeepFlame, an open-source C++ platform with the capabilities of utilising machine learning algorithms and pre-trained models to solve for reactive flows. We combine the individual strengths of the computational fluid dynamics library OpenFOAM, machine learning framework Torch, and chemical kinetics program Cantera. The complexity of cross-library function and data interfacing (the core of DeepFlame) is minimised to achieve a simple and clear workflow for code maintenance, extension and upgrading. As a demonstration, we apply our recent work on deep learning for predicting chemical kinetics (Zhang et al. Combust. Flame vol. 245 pp. 112319, 2022) to highlight the potential of machine learning in accelerating reacting flow simulation. A thorough code validation is conducted via a broad range of canonical cases to assess its accuracy and efficiency. The results demonstrate that the convection-diffusion-reaction algorithms implemented in DeepFlame are robust and accurate for both steady-state and transient processes. In addition, a number of methods aiming to further improve the computational efficiency, e.g. dynamic load balancing and adaptive mesh refinement, are explored. Their performances are also evaluated and reported. With the deep learning method implemented in this work, a speed-up of two orders of magnitude is achieved in a simple hydrogen ignition case when performed on a medium-end graphics processing unit (GPU). Further gain in computational efficiency is expected for hydrocarbon and other complex fuels. A similar level of acceleration is obtained on an AI-specific chip - deep computing unit (DCU), highlighting the potential of DeepFlame in leveraging the next-generation computing architecture and hardware.

研究の動機と目的

• 反応流シミュレーションにおける計算ボトル neck を解消するため、高価な化学源項評価の高速化を目的とする。
• CFD、化学動力学、機械学習を統合した一貫性があり、保守的かつ拡張可能なフレームワークの開発を目的とする。
• 深層学習を用いた化学反応解析ソルバを活用して、複雑な反応流の高精度かつ高性能なシミュレーションを実現することを目的とする。
• 現代の異種アーキテクチャ（CPU、GPU、AI 專用の DCU）上で、プラットフォームの性能とスケーラビリティを評価することを目的とする。
• 今後のマルチフェーズ流体や複数の GPU/ノードに跨る分散 DNN 推論への拡張の基盤を提供することを目的とする。

提案手法

• DeepFlame は、流れのソルバに OpenFOAM、詳細な熱力学および化学動力学に Cantera、機械学習推論に PyTorch を統合する。
• 化学源項の従来の ODE スolver の代わりに、事前に学習された深層ニューラルネットワーク（DNN）モデルを採用して計算を高速化する。
• 熱力学的・物理的性質を完全に Cantera がカスタムミクスチャおよび化学オブジェクトを通じて管理するモジュラー設計を採用する。
• 化学反応解析中の MPI プロセス間の作業負荷を最適化するため、動的負荷分散（DLB）を実装する。
• 計算コストを削減しつつ、重要な領域の解像度を向上させるために、適応メッシュ細分化（AMR）を統合する。
• CPU および GPU/DCU の並列処理を最大限に活用するため、最適化されたメモリアクセスとベクトル化を実装した C++ でコードを実装する。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づく化学反応解析ソルバは、精度を損なわずに反応流シミュレーションにおいて顕著な高速化を達成できるか？
• RQ2 OpenFOAM、Cantera、PyTorch の統合により、科学計算における効率的かつ保守可能な複数ライブラリ間のワークフローをどのように実現できるか？
• RQ3 DeepFlame は、大規模な CPU および GPU/DCU クラスタ上でどのようにスケーリングするか？
• RQ4 動的負荷分散と適応メッシュ細分化は、反応流問題におけるシミュレーション効率をどの程度向上できるか？
• RQ5 プラットフォームは、0D の点火から 3D の乱流渦に至る多様な代表的テストケースにおいて、どのように性能を発揮するか？

主な発見

• 中程度の性能を持つ GPU や DCU で実行した 1D ヒ素化点火ケースにおいて、DNN に基づく化学反応解析ソルバは、従来の ODE スolver と比較して最大 100 倍の高速化を達成した。
• CPU 上でも、データおよび演算のベクトル化により、GPU 加速がなくても 30–50% の高速化が得られた。
• プラットフォームは、0D の点火、1D の平面炎、2D のジェット炎、3D の反応性ターラー・グリーン渦に至る広範な代表的ケースにおいて、高い精度を示した。
• 動的負荷分散により、最大 1000 コアの CPU 上で化学反応解析の実行時間を約 30% 減少させたが、1 核あたり 16,000 個を超えるセル数では通信オーバーヘッドの影響で性能が低下した。
• AMR と DLB を併用した 1D の爆発波シミュレーションでは、10 倍の高速化が達成され、ハイブリッド最適化戦略の有効性が裏付けられた。
• 最大数万の CPU コアにまで強い並列スケーリングが観察され、最先端の反応流コードと比較しても良好な性能を発揮した。