[論文レビュー] FEM-based Real-Time Simulations of Large Deformations with Probabilistic Deep Learning.

Saurabh Deshpande, Jakub Lengiewicz+1 more|arXiv (Cornell University)|Nov 2, 2021

Model Reduction and Neural Networks参考文献 31被引用数 5

ひとこと要約

本稿では、超弾性材料における大変形のリアルタイムシミュレーションを可能にする、有限要素法（FEM）データで訓練されたU-Netベースの深層学習代理モデルを提案する。決定論的および確率論的推論フレームワーク（最尤推定および変分ベイズ法を用いて）を導入し、変形応答の予測と不確実性の定量化を実現した。3つのベンチマーク問題において、高い精度と信頼性のある信頼区間を示した。

ABSTRACT

For many engineering applications, such as real-time simulations or control, conventional solution techniques of the underlying nonlinear problems are usually computationally too expensive. In this work, we propose a highly efficient deep-learning surrogate framework that is able to predict the response of hyper-elastic bodies under load. The surrogate model takes the form of special convolutional neural network architecture, so-called U-Net, which is trained with force-displacement data obtained with the finite element method. We propose deterministic- and probabilistic versions of the framework and study it for three benchmark problems. In particular, we check the capabilities of the Maximum Likelihood and the Variational Bayes Inference formulations to assess the confidence intervals of solutions.

研究の動機と目的

• 大変形のリアルタイム工学シミュレーションにおける従来のFEMの高い計算コストを解決すること。
• 高価なFEM計算を代替する高速でデータ駆動型の代理モデルを開発すること。
• 予測の信頼性を評価するため、予測の不確実性を予測フレームワークに統合すること。
• ベンチマークとしての超弾性材料の変形問題に対して、決定論的および確率論的深層学習定式化の性能を評価すること。
• 予測不確実性を推定するための最尤推定と変分ベイズ法の有効性を比較すること。

提案手法

• 超弾性体の有限要素法（FEM）シミュレーションから得られる力-変位データを用いて、U-Net畳み込みニューラルネットワークを訓練する。
• U-Netアーキテクチャを活用し、入力の荷重条件から全領域の変位予測を効率的にマッピングする。
• 変形応答の高速な点推定を実現するため、決定論的バージョンのフレームワークを実装する。
• 予測不確実性をモデル化するため、変分ベイズ推論を用いた確率論的バージョンに拡張する。
• 予測不確実性の定量化の代替確率論的定式化として、最尤推定を適用する。
• 3つの標準的なベンチマーク問題（さまざまな荷重条件下での大変形を含む）に対して、モデルを訓練および評価する。

実験結果

リサーチクエスチョン

• RQ1 U-Netアーキテクチャに基づく深層学習代理モデルは、超弾性材料における大変形のリアルタイム予測を達成できるか？
• RQ2 この代理モデルは、さまざまな荷重状況下でFEMベースの変形応答をどの程度正確に再現できるか？
• RQ3 最尤推定と変分ベイズ推論の両定式化が、予測の不確実性定量化をどの程度向上させるか？
• RQ4 予測された信頼区間は、代理モデル出力の真の誤差をどの程度適切に反映しているか？
• RQ5 決定論的推論と確率論的推論の間で、計算効率と予測信頼性のトレードオフはどのようなものか？

主な発見

• 提案されたU-Netベースの代理モデルはリアルタイム推論速度を達成し、大変形の迅速なシミュレーションを可能にした。
• 決定論的バージョンのモデルは、FEMの基準解とよく一致する変形予測を生成した。
• 変分ベイズ推論を用いた確率論的フレームワークは、予測周囲に意味のある信頼区間を効果的に生成した。
• 最尤推定による推定も信頼性のある不確実性推定を提供したが、変分ベイズに比べてキャリブレーションがやや劣った。
• 両方の確率論的定式化から得られた信頼区間は、ベンチマーク問題全体で真の誤差を効果的に捉えていた。
• 未観測の荷重条件に対しても優れた一般化性能を示したため、実用的な工学応用において堅牢であることが示された。