[论文解读] Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction

Filipe de Avila Belbute-Peres, Thomas D. Economon+1 more|arXiv (Cornell University)|Jul 8, 2020

Advanced Graph Neural Networks参考文献 26被引用 11

一句话总结

本文提出了一种混合深度学习框架，将可微分的、粗分辨率的CFD模拟器嵌入图神经网络（GCN）中，以实现高精度和强泛化能力的流体流动预测。通过在非结构化网格上联合训练GCN与嵌入的CFD模拟器，该模型在推理速度上快于完整的CFD模拟，同时在泛化到未见物理条件（如训练数据中不存在的强激波）方面显著优于纯机器学习模型。

ABSTRACT

Solving large complex partial differential equations (PDEs), such as those that arise in computational fluid dynamics (CFD), is a computationally expensive process. This has motivated the use of deep learning approaches to approximate the PDE solutions, yet the simulation results predicted from these approaches typically do not generalize well to truly novel scenarios. In this work, we develop a hybrid (graph) neural network that combines a traditional graph convolutional network with an embedded differentiable fluid dynamics simulator inside the network itself. By combining an actual CFD simulator (run on a much coarser resolution representation of the problem) with the graph network, we show that we can both generalize well to new situations and benefit from the substantial speedup of neural network CFD predictions, while also substantially outperforming the coarse CFD simulation alone.

研究动机与目标

• 解决纯深度学习模型在流体动力学模拟中超出其训练分布时泛化能力差的问题。
• 在保持物理精度的前提下，降低高保真CFD模拟的计算成本。
• 将可微分的低分辨率CFD模拟器作为可学习模块嵌入图神经网络中，以提升模拟保真度。
• 通过伴随方法实现端到端的梯度优化，联合训练GCN与粗网格输入。
• 证明该混合模型在未见物理行为上的泛化能力优于纯GCN基线模型，且优于单独的粗分辨率CFD模拟。

提出的方法

• 该模型使用图卷积网络（GCNs）直接在CFD模拟中常见的非结构化、非均匀网格上操作。
• 将一个可微分的低分辨率CFD模拟器作为可微分层嵌入到GCN中，支持通过模拟过程的梯度反向传播。
• 通过伴随方法对粗网格进行端到端反向传播优化，以提升预测精度。
• GCN在粗网格上处理特征，CFD模拟器计算物理动力学，预测结果再上采样至原始分辨率。
• 整个系统通过损失函数进行端到端训练，将预测结果与高保真度真实模拟结果进行比较。
• 该方法利用CFD求解器的可微性，实现神经网络与网格几何的联合优化，从而提升泛化能力。

实验结果

研究问题

• RQ1 结合可微分CFD模拟器与GCN的混合模型，是否能在未见流体动力学场景下实现优于纯GCN或仅使用粗分辨率CFD模拟的泛化能力？
• RQ2 与完整CFD模拟相比，将可微分PDE求解器集成到GCN架构中，对预测精度和推理速度有何影响？
• RQ3 GCN与粗网格输入的端到端训练在多大程度上能提升对新型物理条件（如强激波）的泛化能力？
• RQ4 该模型是否从超越简单粗网格结果插值的学习中获益，还是仅在进行插值？
• RQ5 该混合模型的计算成本与完整CFD模拟和纯神经网络基线相比如何？

主要发现

• 在训练数据中未包含强激波的测试案例中，CFD-GCN模型的泛化能力显著优于纯GCN基线模型。
• 该模型在泛化任务上的误差（1.4·10⁻²）低于单独的粗分辨率CFD模拟（9.5·10⁻²），表现更优。
• CFD-GCN模型的测试误差为1.4·10⁻²，显著低于纯GCN基线模型（1.9·10⁻²），证明了其更高的预测精度。
• 即使在训练过程中未出现这些特征，该模型也能更准确地预测复杂流动特征（如激波和涡流），优于仅使用GCN的模型。
• 训练过程以一种肉眼可见的方式优化粗网格几何结构，从而提升预测质量，如附录图12所示。
• CFD-GCN模型的推理速度约为完整CFD模拟的20倍，其中85%的时间消耗在CFD模拟上，10%用于网格上采样，5%用于图卷积运算。