Graph Neural Network-based surrogate model for granular flows

要約

タイトル：グラフケネットワークベースの代替モデル

要約：
– グラナール流れのダイナミクスを適切にシミュレーションすることは、山崩れや土砂災害などの地質リスクを評価するために重要である。
– グラナール流れは、固体的な応答から流体的な応答への複雑な遷移を示す粒子の動的再配置を伴う。
– 従来の連続体および離散数字的方法は、大規模なシステムをシミュレートする際に計算コストが限られている。
– 統計的または機械学習に基づくモデルは代替手段を提供するが、限られたパラメータに基づいて主に経験的である。
– 伝統的な機械学習ベースのモデルは、置換性に依存するため、一般化するためには巨大なトレーニングデータが必要である。
– これらの問題を解決するために、ローカルな相互作用を学習する最新の機械学習アーキテクチャであるグラフケネットワークを使用する。
– グラフは、動的に変化するグラナール流れの状態と相互作用の法則を表している。
– 我々はグラフケネットワークベースのシミュレータ(GNS)を開発し、オイラー明示積分を使用して、現在のグラナール流の状態を取得し、ローカルな相互作用の法則を学習して次の状態を予測する。
– GNSをさまざまなグラナール経路で訓練し、グラナール列崩壊を予測して性能を評価することができた。
– GNSは、訓練中に見られなかったアスペクト比の異なる列崩壊の流体力学を正確に予測することができる。
– GNSは高精度な数値シミュレータより数百倍高速である。
– モデルはトレーニングデータよりも大きなドメインに一般化し、トレーニングされた粒子数の2倍以上を扱うことができる。

要約(オリジナル)

Accurate simulation of granular flow dynamics is crucial for assessing various geotechnical risks, including landslides and debris flows. Granular flows involve a dynamic rearrangement of particles exhibiting complex transitions from solid-like to fluid-like responses. Traditional continuum and discrete numerical methods are limited by their computational cost in simulating large-scale systems. Statistical or machine learning-based models offer an alternative. Still, they are largely empirical, based on a limited set of parameters. Due to their permutation-dependent learning, traditional machine learning-based models require huge training data to generalize. To resolve these problems, we use a graph neural network, a state-of-the-art machine learning architecture that learns local interactions. Graphs represent the state of dynamically changing granular flows and the interaction laws, such as energy and momentum exchange between grains. We develop a graph neural network-based simulator (GNS) that takes the current state of granular flow and predicts the next state using Euler explicit integration by learning the local interaction laws. We train GNS on different granular trajectories. We then assess the performance of GNS by predicting granular column collapse. GNS accurately predicts flow dynamics for column collapses with different aspect ratios unseen during training. GNS is hundreds of times faster than high-fidelity numerical simulators. The model also generalizes to domains much larger than the training data, handling more than twice the number of particles than it was trained on.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI