[论文解读] Error-Correcting Neural Networks for Two-Dimensional Curvature Computation in the Level-Set Method

Luis Ángel Larios-Cárdenas, Frédéric Gibou|arXiv (Cornell University)|Jan 22, 2022

Model Reduction and Neural Networks参考文献 73被引用 2

一句话总结

该论文提出了一种混合误差校正神经网络求解器，用于水平集方法中的二维曲率计算。通过在圆形和正弦形界面样本上训练多层感知机，该方法可校正自由边界顶点处的数值曲率近似值。利用双重预测以利用曲率对称性，结合数据增强、降维处理以及通过无量纲参数化与概率子采样实现的可扩展训练，该方法在曲率计算精度上优于基线数值格式——即使红距离化步骤增加一倍——同时计算成本显著降低。

ABSTRACT

We present an error-neural-modeling-based strategy for approximating two-dimensional curvature in the level-set method. Our main contribution is a redesigned hybrid solver [Larios-C\'ardenas and Gibou, J. Comput. Phys. (May 2022), 10.1016/j.jcp.2022.111291] that relies on numerical schemes to enable machine-learning operations on demand. In particular, our routine features double predicting to harness curvature symmetry invariance in favor of precision and stability. The core of this solver is a multilayer perceptron trained on circular- and sinusoidal-interface samples. Its role is to quantify the error in numerical curvature approximations and emit corrected estimates for select grid vertices along the free boundary. These corrections arise in response to preprocessed context level-set, curvature, and gradient data. To promote neural capacity, we have adopted sample negative-curvature normalization, reorientation, and reflection-based augmentation. In the same manner, our system incorporates dimensionality reduction, well-balancedness, and regularization to minimize outlying effects. Our training approach is likewise scalable across mesh sizes. For this purpose, we have introduced dimensionless parametrization and probabilistic subsampling during data production. Together, all these elements have improved the accuracy and efficiency of curvature calculations around under-resolved regions. In most experiments, our strategy has outperformed the numerical baseline at twice the number of redistancing steps while requiring only a fraction of the cost.

研究动机与目标

• 提升水平集方法中的曲率计算精度，特别是在标准数值格式失效的欠采样和非均匀网格条件下。
• 通过最小化对昂贵红距离化过程的依赖，降低计算成本，同时保持高精度。
• 开发一种可扩展、可泛化的机器学习框架，能够适应不同网格分辨率而无需重新训练。
• 通过正则化、对称性保持和数据增强，解决曲率估计中的不稳定性和异常值问题。

提出的方法

• 使用预处理后的水平集、梯度和曲率数据，在界面顶点处训练一个多层感知机（Fκ(·)），以预测并校正数值曲率估计中的误差。
• 采用双重预测以利用曲率对称性不变性，提升校正过程的精度与稳定性。
• 数据增强包括负曲率归一化、重定向以及基于反射的变换，以增强神经网络的容量与泛化能力。
• 在数据生成过程中采用无量纲参数化与概率子采样，以确保在不同网格尺寸下的可扩展性。
• 应用逐层L2正则化与平衡性技术，以最小化异常影响并提升模型鲁棒性。
• MLCurvature()例程将训练好的网络集成到混合求解器中，仅在必要时激活机器学习校正，从而保持效率。

实验结果

研究问题

• RQ1 数据驱动的误差校正神经网络是否能在不增加红距离化成本的前提下提升水平集方法中的曲率精度？
• RQ2 曲率中的对称性不变性如何增强神经曲率估计的稳定性和精度？
• RQ3 像概率子采样和无量纲参数化这样的可扩展数据处理技术，在多大程度上能保持模型在不同网格分辨率下的性能？
• RQ4 正则化与数据增强在提升曲率预测的泛化能力并减少异常值方面效果如何，特别是在欠采样界面中？
• RQ5 与以往基于机器学习的曲率求解器相比，该混合方法在精度与计算成本方面表现如何？

主要发现

• 所提出的MLCurvature()求解器在L1和L∞范数下均优于数值基线，在所有测试分辨率下均实现了更低的平均绝对误差（MAE）与最大绝对误差（MaxAE）。
• 在网格分辨率h = 2⁻¹⁰时，推断曲率与期望曲率之间的相关系数达到0.99968，表明与真实值近乎完美对齐。
• 对于高曲率的花形界面，即使在h = 2⁻¹¹时，求解器仍保持高精度，拟合直线斜率为1.00219，表明在极端欠采样条件下仍具鲁棒性。
• 通过逐层L2正则化与对称性保持的数据增强，系统有效减少了异常影响，提升了模型泛化能力。
• 与先前的混合方法[32]相比，本方法性能更优，尤其在分辨率较差与曲率复杂区域表现突出。
• 该框架具有可扩展性：通过调整算法2与3中的输入常数，可为高分辨率网格生成更多学习样本。