[논문 리뷰] Unsupervised Deep Learning of Incompressible Fluid Dynamics

Nils Wandel, Michael Weinmann외 1명|arXiv (Cornell University)|2020. 06. 15.

Model Reduction and Neural Networks참고 문헌 24인용 수 7

한 줄 요약

이 논문은 격자 기반 표현을 사용하여 비압축성 유체 역학을 종단 간(end-to-end)으로 시뮬레이션할 수 있는 비지도(deep learning) 프레임워크를 제안한다. 비압축성 나비에-스토크스 방정식의 잔차를 특수한 손실 함수를 통해 최소화함으로써, 모델은 빠르고, 미분 가능하며, 물리적으로 일관된 유체 시뮬레이션을 가능하게 하며, 와류 도서(예: 라이트의 와류)와 맥그너 효과와 같은 복잡한 현상을 포착할 수 있다. 이는 GPU에서 실시간 추론이 가능하다.

ABSTRACT

Fast and stable fluid simulations are an essential prerequisite for applications ranging from computer aided aerodynamic design of automobiles or airplanes to simulations of physical effects in CGI to research in meteorology. Recent differentiable fluid simulations allow gradient based methods to optimize e.g. fluid control systems in an informed manner. Solving the partial differential equations governed by the dynamics of the underlying physical systems, however, is a challenging task and current numerical approximation schemes still come at high computational costs. In this work, we propose an unsupervised framework that allows powerful deep neural networks to learn the dynamics of incompressible fluids end to end on a grid-based representation. For this purpose, we introduce a loss function that penalizes residuals of the incompressible Navier Stokes equations. After training, the framework yields models that are capable of fast and differentiable fluid simulations and can handle various fluid phenomena such as the Magnus effect and Karman vortex streets. Besides demonstrating its real-time capability on a GPU, we exploit our approach in a control optimization scenario.

연구 동기 및 목표

• 비압축성 유체 역학을 시뮬레이션하기 위한, 미분 가능하고 종단 간 딥러닝 프레임워크를 개발하는 것.
• 유체 역학을 위한 전통적 수치 해석기의 계산 비용을 줄이는 것.
• 미분 가능한 시뮬레이션을 통한 유체 제어 시스템의 기반으로 기반 최적화를 가능하게 하는 것.
• 라벨이 없는 데이터를 사용하여 맥그너 효과와 카르만 와류 도서와 같은 복잡한 유체 현상을 학습하는 것.
• 인터랙티브 또는 최적화 기반 응용 프로그램에 적합한 실시간 추론 성능을 달성하는 것.

제안 방법

• 프레임워크는 구조화된 격자 표현에서 유체 상태의 진화를 예측하기 위해 딥 네트워크를 사용한다.
• 손실 함수는 비압축성 나비에-스토크스 방정식의 잔차를 페널티로 삼아 물리적 일관성을 강제한다.
• 운동량 방정식과 연속 방정식의 잔차를 결합함으로써 비압축성과 운동량 보존을 보장한다.
• 지상 진실(ground-truth) 유체 데이터가 필요 없이, 유일하게 PDE 잔차 손실을 사용하여 비지도 방식으로 네트워크를 훈련시킨다.
• 모델은 기울기 기반 최적화를 위한 제어 매개변수 최적화를 가능하게 하는, 미분 가능한 추론을 지원한다.
• 표준 PDE 해석기에서 생성된 합성 유체 데이터를 사용하여 훈련함으로써, 다양한 유동 상태에 대한 일반화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥 네트워크는 나비에-스토크스 방정식의 잔차만으로도 비압축성 유체 역학을 학습할 수 있는가?
• RQ2 제안된 비지도 프레임워크는 물리적 정확성을 유지하면서도 실시간 추론을 달성할 수 있는가?
• RQ3 감독 없이도 모델은 와류 탈출 및 맥그너 효과와 같은 복잡한 유체 현상을 일반화할 수 있는가?
• RQ4 모델의 미분 가능성이 얼마나 효과적으로 유체 제어 시스템의 최적화를 지원할 수 있는가?
• RQ5 속도와 정확도 측면에서 전통적 수치 해석기와 비교해 비지도 모델의 성능은 어떠한가?

주요 결과

• 모델은 GPU에서 실시간 추론을 달성하여 상호작용 가능한 유체 시뮬레이션을 가능하게 한다.
• 프레임워크는 카르만 와류 도서와 맥그너 효과와 같은 복잡한 유체 역학 현상을 성공적으로 포착한다.
• 비지도 훈련 방식은 나비에-스토크스 잔차를 최소화함으로써 물리적으로 일관된 시뮬레이션을 생성한다.
• 모델의 미분 가능성이 제어 작업에서 효과적인 기반 최적화를 가능하게 한다.
• 라벨이 없는 데이터나 튜닝 없이도 다양한 유체 구성을 일반화할 수 있다.
• 물리적 정밀도를 유지하면서도 기존 수치 해석기보다 계산 비용을 줄였다.