[논문 리뷰] Graph Convolutional Neural Networks for Body Force Prediction

Francis Ogoke, Kazem Meidani외 2명|arXiv (Cornell University)|2020. 12. 03.

Model Reduction and Neural Networks참고 문헌 45인용 수 16

한 줄 요약

이 논문은 비정형이고 산재한 속도 측정값에서 유체역학적 힘—특히 항력—을 예측하기 위해 그래프 컬러션 신경망(GCNN)을 제안한다. 흐름장 데이터를 k-최근접 이웃 간선을 가진 그래프로 모델링함으로써, 정렬 불가능하고 공간적으로 인지 가능한 추론이 가능해지며, 정렬된 격자 구조가 필요로 하지 않으며, 검증 R² > 0.98 및 정규화된 MSE < 0.01을 달성한다.

ABSTRACT

Many scientific and engineering processes produce spatially unstructured data. However, most data-driven models require a feature matrix that enforces both a set number and order of features for each sample. They thus cannot be easily constructed for an unstructured dataset. Therefore, a graph based data-driven model to perform inference on fields defined on an unstructured mesh, using a Graph Convolutional Neural Network (GCNN) is presented. The ability of the method to predict global properties from spatially irregular measurements with high accuracy is demonstrated by predicting the drag force associated with laminar flow around airfoils from scattered velocity measurements. The network can infer from field samples at different resolutions, and is invariant to the order in which the measurements within each sample are presented. The GCNN method, using inductive convolutional layers and adaptive pooling, is able to predict this quantity with a validation $R^{2}$ above 0.98, and a Normalized Mean Squared Error below 0.01, without relying on spatial structure.

연구 동기 및 목표

• 고정된 특성 순서와 공간적 구조가 없는 비정형 유동장 데이터에 전통적인 기계학습을 적용하는 데 도전하는 것.
• 복잡한 기하구조 주변에서 흩어진, 희소한 속도 측정값으로부터 전역적 성질(예: 항력)을 정확하게 예측할 수 있도록 하는 것.
• 입력 측정값의 순서에 관여하지 않으며 다양한 메쉬 해상도에 일반화 가능한 데이터 기반 프레임워크 개발.
• 비정형 유동 데이터에 적용했을 때 기존의 정형 모델(예: CNN, MLP, XGBoost)에 비해 그래프 기반 딥러닝의 우수성을 입증하는 것.
• 공간 격자 가정에 의존하지 않고 그래프 신경망을 사용하여 유체역학에서의 서브오르디네이트 모델링을 위한 확장 가능한 인덕티브 접근법 수립.

제안 방법

• 비정형 메쉬 상의 각 속도 측정점이 노드가 되는 그래프로 흐름장을 표현하며, 각 노드는 k-최근접 이웃과 연결된다.
• 학습 가능한 필터를 사용해 이웃 노드의 특징을 집계하는 그래프 컬러션 레이어를 적용하여, 비정규 구조에서 국소 패턴 탐지 및 특징 학습을 가능하게 한다.
• 구조 정보를 유지하면서 그래프를 다운샘플링하는 적응형 풀링 레이어를 사용하여 다중 해상도 추론을 가능하게 한다.
• 지역적 속도장 입력으로부터 전역 항력 힘을 회귀하기 위해 평균제곱오차(MSE) 손실을 사용해 GCNN을 훈련시킨다.
• 고정된 노드 순서에서 유도된 정형 특징 행렬을 사용하여, 완전히 연결된 네트워크, CNN, 기울기 부스팅 랜덤 포레스트와의 성능을 비교 평가한다.
• 접근법의 그래프 구성은 k-최근접 이웃을 사용해 정의하여, 비정규 메쉬에서도 공간 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 정렬된 격자나 고정된 특성 순서가 없이도, 그래프 컬러션 신경망이 비정형이고 산재한 속도 측정값에서 전역 항공역학적 힘을 효과적으로 예측할 수 있는가?
• RQ2 동일한 비정형 유동 데이터에 적용했을 때 GCNN의 성능은 기존의 정형 기계학습 모델(CNN, MLP, XGBoost 등)과 비교해 어떻게 되는가?
• RQ3 GCNN 모델의 입력 측정값 순서에 대한 불변성은 어느 정도이며, 이는 일반화 및 강인성에 어떤 영향을 미치는가?
• RQ4 GCNN은 다양한 메쉬 해상도 간에 일반화되어 항공기 주변 난류 흐름에서 항력 힘을 높은 정확도로 유지할 수 있는가?
• RQ5 k-NN 연결성을 통한 그래프 기반 인덕티브 바이어스는 희소한 필드 데이터에서 복잡한 유체역학 패턴을 학습하는 데 어떤 영향을 미치는가?

주요 결과

• GCNN는 검증용 결정계수(R²)가 0.98를 초과하여 예측된 항력 힘과 실제 값 간의 거의 완벽한 상관관계를 보였다.
• GCNN의 정규화된 평균제곱오차(NMSE)는 0.01 이하였으며, 검증 데이터에 대해 높은 회귀 정확도를 입증했다.
• 완전히 연결된 네트워크, CNN, 기울기 부스팅 랜덤 포레스트를 포함한 모든 베이스라인 모델보다 GCNN이 이와 같은 비정형 데이터에서 뛰어난 성능을 보였다.
• 입력 노드 순서에 대한 강력한 불변성을 보였으며, 이는 고정된 특성 인덱스가 아닌 그래프 구조에 의존하기 때문이다.
• GCNN는 재학습 없이도 다양한 메쉬 해상도 간에 일반화되어 높은 정확도를 유지했다.
• 그래프 기반 접근법은 희소하고 비정규적으로 샘플링된 속도 데이터로부터 효과적인 특징 학습을 가능하게 하여, PIV 측정치와 같은 실제 실험 데이터에 적합함을 입증했다.