Uczenie sieci neuronowych jak płynąć z prądem
Zrozumienie, w jaki sposób płyny poruszają się w przestrzeni trójwymiarowej, ma kluczowe znaczenie w wielu branżach, od medycyny po inżynierię, a nawet przy tworzeniu realistycznych efektów specjalnych w filmach. Finansowany ze środków UE projekt realFlow miał na celu poprawę korelacji między modelami płynów a światem rzeczywistym, z wykorzystaniem uczenia maszynowego. Zazwyczaj modele płynów są zbudowane tak, aby naśladować fizykę świata rzeczywistego, dając naukowcom możliwość wykonania symulacji, które są szybsze i tańsze niż przeprowadzanie eksperymentów fizycznych. Naukowcy z projektu realFlow zastosowali jednak inne podejście – opracowali system, który odwzorowuje fizykę rzeczywistych przypadków. „Na przykład chcielibyśmy móc przewidzieć ruchy powietrza we wznoszącej się chmurze dymu”, wyjaśnia Nils Thuerey, koordynator projektu, który pracuje na Uniwersytecie Technicznym w Monachium. Celem projektu było przewidywanie ruchów na podstawie wyłącznie obrazów dwuwymiarowych. Aby to osiągnąć, Thuerey i jego współpracownicy już na wczesnym etapie postanowili wykorzystać uczenie maszynowe. Sieci neuronowe zostały zasilone danymi dotyczącymi ruchów płynów, takimi jak gęstość dymu i prędkość przepływu, i pozwoliły na opracowanie nowych opisów fizycznych.
Skrzydła, pogoda i krew
„Pierwotnie chcieliśmy pracować w oparciu o dane pochodzące z obserwacji i symulacji, aby dowiedzieć się, co dokładnie się dzieje”, mówi Thuerey. „Naturalnie wykorzystaliśmy rozwijającą się w ostatnich latach sztuczną inteligencję. Opracowaliśmy systemy uczenia maszynowego w oparciu o zestawy danych, aby móc rozwiązać różne problemy”. Thuerey dodaje, że jego zespół jest jednym z pierwszych, który łączy te zagadnienia fizyczne z algorytmami uczenia maszynowego. Opisy dotyczące fizyki płynów mają szereg zastosowań – mogą być pomocne przy analizie przepływu powietrza wokół skrzydeł samolotu lub sił wpływających na układy pogodowe. Jak zauważa Thuerey, mogą być przydatne również w medycynie. „Na przykład gdy wstrzykujemy marker do żyły, widzimy ruch znanej ilości w nieznanej przestrzeni”, wyjaśnia. „Jeśli lekarze otrzymają natychmiastową informację zwrotną na temat rozkładu ciśnienia w żyle pacjenta, mogą w czasie rzeczywistym skorygować to, co robią”.
Sygnały dymne
Thuerey koordynował zespół projektowy, który dążył również do poprawy szybkości i jakości symulacji efektów dymu za pomocą biblioteki wcześniej wygenerowanych danych. Uwzględniając pozycje wyjściowe i prędkość cząstek dymu, sieć neuronowa tworzy uproszczony model oczekiwanego przepływu. Następnie przeszukuje bazę danych w poszukiwaniu materiałów wysokiej jakości odpowiadających tym warunkom. Prace w ramach projektu były wspierane przez Europejską Radę ds. Badań Naukowych. Thuerey mówi: „Grant był niezwykle efektywny, umożliwiając nam pracę bez poświęcania dużo czasu na pisanie wniosków o finansowanie i martwienie się o natychmiastowe prezentowanie rezultatów”. Dodaje, że dotacja ERBN pomogła mu również w rozwoju zawodowym, stanowiąc mocny argument za przyznaniem mu stanowiska na Uniwersytecie Technicznym w Monachium. Zespół uzyskał od tego czasu grant konsolidacyjny na dalsze prowadzenie badań. „Ta dziedzina, połączenie uczenia głębokiego i symulacji fizycznej, bardzo się rozwinęła”, podsumowuje Thuerey. „Teraz jesteśmy gotowi zrobić kolejny duży krok naprzód i przejść do praktycznych zastosowań. Istnieje wiele ekscytujących wyzwań do pokonania”.
Słowa kluczowe
realFlow, dym, płyn, symulacje, prędkość, gęstość, wymiarowe, ciśnienie, rozkłady
