| 학회 | 한국화학공학회 |
| 학술대회 | 2022년 봄 (04/20 ~ 04/23, 제주국제컨벤션센터) |
| 권호 | 28권 1호, p.146 |
| 발표분야 | [주제 2] 기계학습 |
| 제목 | Analysis of methods of automatic differentiation for constructing CFD-surrogate neural networks. |
| 초록 | 화학 공정에 요구되는 순도가 높아지고, 다양한 환경 규제가 요구됨에 따라, 전산유체역학(Computational Fluid Dynamics)등 high-fidelity 모델의 필요성이 높아지고 있다. High-fidelity 모델들은 대개 PDE 형태의 지배 방정식들의 근사해를 수치해석적으로 구한다. 그러나 이 과정은 많은 계산량을 요구하며, 근사해가 쉽게 발산하여 모델 구성을 지나치게 어렵게 만드는 단점이 있다. 이런 한계를 극복하기 위하여, 기계 학습 기법을 접목한 CFD-surrogate neural networks에 대한 연구가 주목받고 있다. 이 신경망은 지배 방정식의 differential terms를 추정하는데 기계 학습 분야의 automatic differentiation을 적극적으로 활용한다. 이를 통해 수치해석적인 불안정성을 극복할 뿐만 아니라 neural network의 강력한 일반화 특성을 통해 general solver를 학습시킬 수 있을 것으로 기대되고 있다. 본 포스터는 서로 다른 3 가지 automatic differentiation 기법(Pytorch, Tensorflow와 JAX)에 따른 신경망의 성능 및 특성을 비교 분석한다. 대상 시스템은 Navier-stokes 방정식에 기반한 시스템이며, neural differential equation으로 physics informed neural network를 구성한다. 비교 결과, JAX를 사용한 neural network가 가장 빠르게 학습되는 것으로 나타났다. |
| 저자 | 박영석, 이종민 |
| 소속 | 서울대 |
| 키워드 | 공정시스템(Process Systems Engineering) |
| 원문파일 | 초록 보기 |
