[논문 리뷰] Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes

Alexandr Sedykh, Maninadh Podapaka외 4명|arXiv (Cornell University)|2023. 04. 21.

Model Reduction and Neural Networks참고 문헌 64인용 수 5

한 줄 요약

이 논문은 복잡한 3D 기하 구조(예: Y자형 믹서)에서 난류가 아닌 유체 흐름을 시뮬레이션하는 데 있어 정밀도를 향상시키기 위해 양자 회로를 고전적 물리 기반 신경망에 통합한 하이브리드 양자 물리 기반 신경망(HQPINN)을 제안한다. HQPINN은 순수 고전적 PINN 대비 손실을 21% 감소시켜 표현력 향상과 계산 유체 역학에서의 효율적인 형상 최적화 잠재력을 입증한다.

ABSTRACT

Finding the distribution of the velocities and pressures of a fluid by solving the Navier-Stokes equations is a principal task in the chemical, energy, and pharmaceutical industries, as well as in mechanical engineering and the design of pipeline systems. With existing solvers, such as OpenFOAM and Ansys, simulations of fluid dynamics in intricate geometries are computationally expensive and require re-simulation whenever the geometric parameters or the initial and boundary conditions are altered. Physics-informed neural networks are a promising tool for simulating fluid flows in complex geometries, as they can adapt to changes in the geometry and mesh definitions, allowing for generalization across fluid parameters and transfer learning across different shapes. We present a hybrid quantum physics-informed neural network that simulates laminar fluid flows in 3D Y-shaped mixers. Our approach combines the expressive power of a quantum model with the flexibility of a physics-informed neural network, resulting in a 21% higher accuracy compared to a purely classical neural network. Our findings highlight the potential of machine learning approaches, and in particular hybrid quantum physics-informed neural network, for complex shape optimization tasks in computational fluid dynamics. By improving the accuracy of fluid simulations in complex geometries, our research using hybrid quantum models contributes to the development of more efficient and reliable fluid dynamics solvers.

연구 동기 및 목표

• 복잡하고 파arameterized된 기하 구조에서의 유체 흐름을 시뮬레이션할 때 기존 CFD 솔버(예: OpenFOAM 및 Ansys)의 계산 비효율성과 높은 자원 소모 문제를 해결하기 위해.
• 기하 구조나 경계 조건이 변경될 경우 고전적 솔버가 전체적으로 메esh 재구성 및 재시뮬레이션을 필요로 하는 제한점을 극복하기 위해.
• 하이브리드 양자 물리 기반 신경망(HQPINN)이 복잡한 3D 영역에서의 유체 흐름 시뮬레이션 정확도와 일반화 능력을 향상시킬 수 있는지 탐색하기 위해.
• 양자 강화 신경망이 난류 흐름에 대한 스토크스 방정식을 해결하는 데 있어 고전적 PINN보다 뛰어난 성능을 보일 잠재력을 평가하기 위해.
• 완전한 재학습 없이 약간 수정된 기하 구조로의 전이 학습을 가능하게 하여 엔지니어링 설계에서의 빠른 최적화를 지원하기 위해.

제안 방법

• 물리 기반 신경망(PINN) 아키텍처를 사용하여 다층 퍼셉트론을 통해 스토크스 방정식의 속도 및 압력 장을 근사한다.
• 하이브리드 양자 회로가 고전적 물리 기반 신경망의 깊이 증강 층으로 통합되며, 양자 매개변수는 고전적 양자 시뮬레이터(QMware 서버)에서 애드조이인 미분을 통해 최적화된다.
• 손실 함수는 스토크스 방정식 잔여항과 경계 조건을 조합하며, 100 에포크 동안 미니배치 Adam 최적화를 통해 학습이 수행된다.
• 양자 구성 요소는 고전적 네트워크만으로는 달성하기 어려운 더 복잡한 함수 근사 능력을 제공함으로써 모델 표현력을 향상시킨다.
• 학습 점에 대해 고정된 격자 샘플링 전략을 사용하며, 학습률, 배치 크기, 스케줄러와 같은 하이퍼파ram터는 고전적 및 하이브리드 모델 간의 공정한 비교를 위해 공유된다.
• 전이 학습은 한 기하 구조에서 미리 학습된 모델을 약간 수정된 기하 구조로 미세 조정하여, 전체 재학습 없이도 신속한 적응을 가능하게 한다.

실험 결과

연구 질문

• RQ1 하이브리드 양자 물리 기반 신경망(HQPINN)은 복잡한 3D 기하 구조에서 난류 흐름을 시뮬레이션할 때 순수 고전적 PINN보다 더 높은 정확도를 달성할 수 있는가?
• RQ2 PINN에 양자 회로를 통합함으로써 모델의 표현력과 기하 변화에 대한 일반화 능력은 어느 정도 향상되는가?
• RQ3 Y자형 믹서에서 스토크스 방정식을 해결할 때 HQPINN은 고전적 PINN 대비 손실 감소 측면에서 어떻게 성능을 발휘하는가?
• RQ4 전이 학습은 HQPINN에서 새로운 기하 구조로의 적응을 최소한의 재학습으로 효과적으로 적용할 수 있는가? 고전적 솔버의 전체 재시뮬레이션과 비교해 볼 때 어떻게 되는가?
• RQ5 양자 회로의 사용이 복잡한 경계값 문제에서의 소실 해법 또는 수렴 불량 문제를 완화하는 데 기여하는가?

주요 결과

• HQPINN는 순수 고전적 PINN 대비 21% 낮은 손실 값을 기록하여 스토크스 방정식의 해 정확도 향상이 뚜렷하게 향상됨을 시사한다.
• PINN 아키텍처에 양자 회로를 통합함으로써 모델 표현력이 향상되어 3D Y자형 믹서에서의 복잡한 유체 흐름 장을 더 잘 근사할 수 있었다.
• HQPINN는 전이 학습을 통해 추가 학습이 최소한으로 이루어져도 새로운 기하 구조로의 신속한 적응 능력을 보였으며, 뛰어난 일반화 능력을 입증했다.
• 모델은 다양한 기하 매개변수(예: 각도 α)에서도 안정적인 성능을 유지하였으며, 점진적인 변화에 따라 손실이 점차 감소하는 경향을 보였다.
• 고전적 양자 시뮬레이터에서 애드조이인 미분을 사용해 양자 회로 층을 통해 효과적인 역전파를 수행할 수 있었으며, 하드웨어 제약에도 불구하고 학습이 가능하게 했다.
• 결과적으로 하이브리드 양자 PINN는 정확도 면에서 고전 모델을 능가할 수 있으며, 기하 및 매개변수 변화를 효율적으로 처리할 수 있는 유연성을 유지함을 시사한다.