Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes

要約

メッシュベースの数値ソルバーは、多くの設計ツール チェーンの重要な部分です。
ただし、数値流体力学のような正確なシミュレーションは時間とリソースを消費するため、解決プロセスを高速化するためにサロゲート モデルが使用されます。
一方、機械学習ベースのサロゲート モデルは、近似解を高速に予測しますが、多くの場合、精度が不足します。
したがって、ここでは、予測子補正アプローチにおける予測子の開発に焦点を当てます。ここでは、サロゲート モデルが流れ場を予測し、数値ソルバーがそれを補正します。
この論文では、グラフベースの機械学習の領域から、数値流れシミュレーションの業界関連のメッシュ サイズまで、最先端のサロゲート モデルを拡張します。
このアプローチでは、フロー ドメインを分割して複数の GPU に分散し、トレーニング中にこれらのパーティション間でハロー交換を提供します。
利用されたグラフ ニューラル ネットワークは数値メッシュ上で直接動作し、複雑な形状やメッシュの他のすべてのプロパティを保存できます。
提案された代理モデルは、3 次元ターボ機械セットアップ上のアプリケーションで評価され、従来のトレーニングを受けた分散モデルと比較されます。
結果は、従来のアプローチが優れた予測を生成し、提案された代理モデルよりも優れていることを示しています。
考えられる説明、改善点、将来の方向性について概説します。

要約(オリジナル)

Mesh-based numerical solvers are an important part in many design tool chains. However, accurate simulations like computational fluid dynamics are time and resource consuming which is why surrogate models are employed to speed-up the solution process. Machine Learning based surrogate models on the other hand are fast in predicting approximate solutions but often lack accuracy. Thus, the development of the predictor in a predictor-corrector approach is the focus here, where the surrogate model predicts a flow field and the numerical solver corrects it. This paper scales a state-of-the-art surrogate model from the domain of graph-based machine learning to industry-relevant mesh sizes of a numerical flow simulation. The approach partitions and distributes the flow domain to multiple GPUs and provides halo exchange between these partitions during training. The utilized graph neural network operates directly on the numerical mesh and is able to preserve complex geometries as well as all other properties of the mesh. The proposed surrogate model is evaluated with an application on a three dimensional turbomachinery setup and compared to a traditionally trained distributed model. The results show that the traditional approach produces superior predictions and outperforms the proposed surrogate model. Possible explanations, improvements and future directions are outlined.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google