[论文解读] Non-linear Independent Dual System (NIDS) for Discretization-independent Surrogate Modeling over Complex Geometries.

James Duvall, Karthik Duraisamy+1 more|arXiv (Cornell University)|Sep 14, 2021

Model Reduction and Neural Networks参考文献 28被引用 5

一句话总结

该论文提出非线性独立双系统（NIDS），一种与离散化无关的深度学习代理模型，利用隐式神经表示在无需有损像素化的情况下，对复杂可变几何形状上的偏微分方程（PDE）解进行预测。通过结合案例特定参数网络与点特定空间网络，采用非线性、独立的双输出层结构，并引入最小距离函数编码，NIDS 实现了在非结构化网格上的快速、高精度 PDE 解预测，相较于全阶模型实现了多个数量级的速度提升。

ABSTRACT

Numerical solutions of partial differential equations (PDEs) require expensive simulations, limiting their application in design optimization routines, model-based control, or solution of large-scale inverse problems. Existing Convolutional Neural Network-based frameworks for surrogate modeling require lossy pixelization and data-preprocessing, which is not suitable for realistic engineering applications. Therefore, we propose non-linear independent dual system (NIDS), which is a deep learning surrogate model for discretization-independent, continuous representation of PDE solutions, and can be used for prediction over domains with complex, variable geometries and mesh topologies. NIDS leverages implicit neural representations to develop a non-linear mapping between problem parameters and spatial coordinates to state predictions by combining evaluations of a case-wise parameter network and a point-wise spatial network in a linear output layer. The input features of the spatial network include physical coordinates augmented by a minimum distance function evaluation to implicitly encode the problem geometry. The form of the overall output layer induces a dual system, where each term in the map is non-linear and independent. Further, we propose a minimum distance function-driven weighted sum of NIDS models using a shared parameter network to enforce boundary conditions by construction under certain restrictions. The framework is applied to predict solutions around complex, parametrically-defined geometries on non-parametrically-defined meshes with solutions obtained many orders of magnitude faster than the full order models. Test cases include a vehicle aerodynamics problem with complex geometry and data scarcity, enabled by a training method in which more cases are gradually added as training progresses.

研究动机与目标

• 解决现有基于 CNN 的代理模型依赖有损像素化和预处理所带来的局限性，这些局限性阻碍了其在实际工程应用中的使用。
• 开发一种与网格离散化无关的代理建模框架，能够处理具有可变网格拓扑结构的复杂参数化几何形状。
• 在非参数化、非结构化网格上实现 PDE 解的高精度预测，且通过构造方式强制满足边界条件。
• 通过用快速、可泛化的深度学习代理模型替代昂贵的全阶 PDE 求解器，降低在设计优化、控制和反问题中的计算成本。

提出的方法

• NIDS 采用双网络架构：案例特定参数网络与点特定空间网络，其输出通过非线性、独立映射在全连接输出层中进行组合。
• 空间网络以物理坐标和最小距离函数作为输入，实现对复杂几何形状的隐式编码，而无需显式表示网格。
• 双系统结构确保输出映射的每个分量均为非线性且独立，从而增强模型的表征能力与泛化性能。
• 通过最小距离函数驱动的加权和机制，在特定约束下使用共享参数网络组合多个 NIDS 模型，实现边界条件的构造性强制。
• 该框架支持在数据稀缺条件下进行训练，通过在训练过程中逐步添加新案例，提升低数据场景下的泛化能力。
• 模型在非结构化网格上端到端训练，实现对不同网格拓扑结构的离散化无关推理。

实验结果

研究问题

• RQ1 深度学习代理模型能否在无需网格或像素化约束的情况下，对复杂可变几何形状上的 PDE 解实现高精度预测？
• RQ2 如何在基于神经网络的 PDE 代理模型中通过构造方式强制实现边界条件，而无需依赖后处理或损失惩罚？
• RQ3 代理模型在保持高精度的同时，能够在多大程度上泛化到不同的网格拓扑结构和离散化方式？
• RQ4 在数据稀缺场景下，该模型能否在保持数据保真度的同时，实现相对于全阶 PDE 求解器的显著加速？
• RQ5 最小距离函数的使用在隐式神经表示中如何提升 PDE 问题的几何泛化能力？

主要发现

• NIDS 的解预测速度比全阶 PDE 求解器快多个数量级，支持实时或近实时应用。
• 该模型在复杂参数化几何形状（如车辆气动外形）上实现了对 PDE 解的高精度预测，即使训练数据有限。
• 通过加权和机制实现边界条件的构造性强制，无需额外损失项，显著降低误差并提升稳定性。
• 最小距离函数的使用实现了隐式几何编码，使模型无需微调即可泛化到不同网格拓扑结构。
• 在训练过程中逐步添加案例可提升数据稀缺场景下的模型泛化能力，增强对未见几何形状的性能表现。
• 具有输出分量非线性独立性的双系统架构，相比标准前馈网络，显著提升了表征能力与预测精度。