Shape-informed surrogate models based on signed distance function domain encoding
作者: Linying Zhang, Stefano Pagani, Jun Zhang, Francesco Regazzoni
分类: math.NA, cs.LG
发布日期: 2024-09-19
💡 一句话要点
提出基于符号距离函数的形状感知代理模型，高效求解参数化偏微分方程。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 代理模型 偏微分方程 形状感知 符号距离函数 神经网络 无网格方法 几何编码 参数化建模
📋 核心要点
- 传统方法在处理参数化偏微分方程时，难以有效捕捉计算域形状变化对解的影响，需要人工提取几何参数。
- 该方法结合两个神经网络，利用符号距离函数隐式表示几何形状，并在潜在空间中进行自动特征提取，实现降维。
- 实验结果表明，该方法在流体动力学和固体力学问题中，能够准确预测任意形状域中偏微分方程的解，精度可与显式参数化方法媲美。
📝 摘要（中文）
本文提出了一种非侵入式方法，用于构建代理模型，以逼近参数化偏微分方程（PDEs）的解，该模型能够考虑解对计算域形状的依赖性。该方法基于两个神经网络（NNs）的组合。第一个NN以潜在代码为条件，通过符号距离函数提供几何变异性的隐式表示。这种自动形状编码技术在潜在空间内生成几何体的紧凑、低维表示，而无需显式构建编码器。第二个NN独立地为每个空间点重建输出物理场，从而避免了通常与高维离散化（如计算网格）相关的计算负担。此外，我们表明，通过采用傅里叶特征映射作为NN的输入特征，可以进一步提高几何表征的准确性。该方法具有无网格特性，并结合了通过潜在空间中的自动特征提取实现的降维，使其具有高度的灵活性和计算效率。这种策略消除了手动提取几何参数的需要，甚至可以应用于几何体拓扑结构发生变化的情况。流体动力学和固体力学领域的数值测试表明，该方法能够准确预测任意形状域中PDE的解。值得注意的是，结果表明，它实现了与计算域的显式参数化可用时的最佳情况相当的精度。
🔬 方法详解
问题定义：论文旨在解决参数化偏微分方程求解中，计算域形状变化对解的影响难以有效建模的问题。现有方法通常需要手动提取几何参数，过程繁琐且难以处理拓扑结构变化的情况，计算效率也较低。
核心思路：论文的核心思路是利用神经网络学习计算域形状的隐式表示，并将其作为代理模型的输入，从而实现对形状变化的自动感知。通过符号距离函数（SDF）来表征几何形状，并使用潜在空间进行降维，降低计算复杂度。
技术框架：该方法包含两个主要模块：1) 几何编码网络：该网络以潜在代码为输入，输出计算域的符号距离函数，实现几何形状的隐式表示。2) 物理场重建网络：该网络以空间坐标和几何编码网络的输出（即符号距离函数）为输入，输出物理场的近似解。整个流程无需网格划分，属于无网格方法。
关键创新：该方法最重要的创新点在于使用神经网络自动学习几何形状的隐式表示，避免了手动提取几何参数的需要。此外，使用符号距离函数作为几何表征，可以有效处理拓扑结构变化的情况。通过潜在空间降维，提高了计算效率。
关键设计：几何编码网络和物理场重建网络均采用神经网络结构，具体结构未知。几何编码网络的损失函数可能包含符号距离函数的重建误差。论文提到使用傅里叶特征映射作为物理场重建网络的输入特征，以提高几何表征的准确性。潜在空间的维度是一个关键参数，需要根据具体问题进行调整。
🖼️ 关键图片
📊 实验亮点
论文在流体动力学和固体力学领域进行了数值实验，结果表明该方法能够准确预测任意形状域中偏微分方程的解，精度可与显式参数化方法媲美。这意味着在不需要手动提取几何参数的情况下，该方法也能达到与传统方法相当的精度，显著提高了计算效率和灵活性。
🎯 应用场景
该研究成果可广泛应用于涉及复杂几何形状的偏微分方程求解问题，例如流体动力学、固体力学、热传导等领域。该方法能够加速设计优化过程，降低计算成本，并为处理具有复杂拓扑结构的设计问题提供新的思路。未来可应用于航空航天、汽车工程、生物医学等领域。
📄 摘要（原文）
We propose a non-intrusive method to build surrogate models that approximate the solution of parameterized partial differential equations (PDEs), capable of taking into account the dependence of the solution on the shape of the computational domain. Our approach is based on the combination of two neural networks (NNs). The first NN, conditioned on a latent code, provides an implicit representation of geometry variability through signed distance functions. This automated shape encoding technique generates compact, low-dimensional representations of geometries within a latent space, without requiring the explicit construction of an encoder. The second NN reconstructs the output physical fields independently for each spatial point, thus avoiding the computational burden typically associated with high-dimensional discretizations like computational meshes. Furthermore, we show that accuracy in geometrical characterization can be further enhanced by employing Fourier feature mapping as input feature of the NN. The meshless nature of the proposed method, combined with the dimensionality reduction achieved through automatic feature extraction in latent space, makes it highly flexible and computationally efficient. This strategy eliminates the need for manual intervention in extracting geometric parameters, and can even be applied in cases where geometries undergo changes in their topology. Numerical tests in the field of fluid dynamics and solid mechanics demonstrate the effectiveness of the proposed method in accurately predict the solution of PDEs in domains of arbitrary shape. Remarkably, the results show that it achieves accuracy comparable to the best-case scenarios where an explicit parametrization of the computational domain is available.