Machine learning accelerated computational fluid dynamics

La simulation numérique des fluides joue un rôle essentiel dans la modélisation de nombreux phénomènes physiques tels que la météo, le climat, l'aérodynamique et la physique des plasmas. Les fluides sont bien décrits par les équations de Navier-Stokes, mais résoudre ces équations à grande échelle reste difficile en raison du coût informatique lié à la résolution des plus petites caractéristiques spatio-temporelles. Cela entraîne des compromis défavorables entre précision et faisabilité. Dans cette étude, nous utilisons l'apprentissage profond de bout en bout pour améliorer les approximations à l'intérieur de la dynamique des fluides computationnelle afin de modéliser les écoulements turbulents bidimensionnels. Pour la simulation numérique directe de la turbulence et la simulation des grandes structures tourbillonnaires, nos résultats sont aussi précis que ceux obtenus par les solveurs de référence avec une résolution 8 à 10 fois plus fine dans chaque dimension spatiale, ce qui se traduit par une accélération du calcul allant jusqu'à 80 fois. Notre méthode reste stable lors de simulations longues et génère des performances satisfaisantes sur des fonctions d'excitation et des nombres de Reynolds difficiles sans avoir était entraînée spécifiquement pour ces cas particuliers contrairement aux approches d'apprentissage automatique "boîte noire". Notre approche illustre comment le calcul scientifique peut exploiter l'apprentissage automatique et les accélérateurs matériels pour ameliorer les simulations sans sacrifier prèsision ou générallisation.

Simulation numérique des fluides et apprentissage profond

La simulation numérique des fluides joue un rôle essentiel dans la modélisation de nombreux phénomènes physiques tels que la météo, le climat, l'aérodynamique et la physique des plasmas. Les équations de Navier-Stokes sont bien adaptés pour décrire les fluides, mais il est difficile de les résoudre à grande échelle en raison du coût informatique lié à la résolution des plus petites caractéristiques spatio-temporelles. Cela entraîne souvent des compromis défavorables entre précision et faisabilité. Dans cette étude, nous utilisons l'apprentissage profond de bout en bout pour améliorer les approximations à l'intérieur de la dynamique des fluides computationnelle afin de modéliser les écoulements turbulents bidimensionnels.

Résultats

Nos résultats montrent que notre approche peut être aussi précise que ceux obtenus par les solveurs de référence avec une résolution 8 à 10 fois plus fine dans chaque dimension spatiale, ce qui se traduit par une acclération du calcul allant jusqu'à 80 fois. Notre mise en œuvre reste stable lors de simulations longues et génère des performances satisfaisantes sur des fonctions d'excitation et des nombres de Reynolds difficiles sans avoir était entraînée spécifiquement pour ces cas particuliers contrairement aux approches d’apprentissage automatique « boîte noire ».

Conclusion

Notre approche illustre comment le calcul scientifique peut exploiter l’apprentissage automatique et les acc