Simülasyonlar, bilim ve mühendislik alanında büyük bir öneme sahiptir ve özellikle akışkanlar dinamiği gibi geniş bir alanda kritik bir rol oynar. Ancak, yüksek kaliteli akış simülasyonları genellikle muazzam hesaplama kaynakları gerektirir ve bu durum pratik uygulamaları kısıtlar. Karmaşık akışları doğru bir şekilde simüle etmek haftalarca süren hesaplama çabaları gerektirebilir; bu da, havacılık ve çevre mühendisliği gibi önemli alanlarda ilerlemeleri yavaşlatır.
Makine öğrenimi (ML), bu zorlukları ele alarak, hesaplamalı akışkanlar dinamiği (CFD) alanında devrim yaratıyor. ML algoritmaları, araştırmacılara büyük ölçekli verileri kullanma imkanı sunarak, karmaşık akış problemlerinin gerçek dünyadaki davranışını taklit eden modeller oluşturmasına olanak tanır ve bunu çok daha düşük hesaplama maliyetleriyle gerçekleştirir.
Fourier Sinir Operatörleri ve NVIDIA Modulus
Akışkanlar dinamiğinde umut verici bir ML yaklaşımı, Fourier sinir operatörleri (FNO) üzerinde yoğunlaşmaktadır. FNO’lar, çözüm operatörlerini çözüme dayalı olarak öğrenebilen modellerdir. Bu, araştırmacıların düşük çözünürlüklü verilerle karmaşık akışlar için modeller eğitmelerine ve bunları yüksek kaliteli sayısal simülasyonlara dinamik olarak entegre etmelerine olanak tanır; böylece birçok uygulama için hesaplama maliyetlerini düşürür.
NVIDIA Modulus, FNO’ların avantajlarından yararlanmanın kolay bir yolunu sunar. Bu açık kaynak kütüphane, FNO’lar ve diğer son teknoloji ML modellerini inşa etmek, eğitmek ve ince ayar yapmak için tasarlanmıştır. Birçok ileri düzey ML algoritmasının optimize edilmiş uygulamalarıyla, çeşitli uygulamalar için son derece esnek bir araçtır.
Hybrid Yaklaşımlar ile Gelen Yenilikler
Mühendislik topluluğunda bugün asıl odak noktası, geleneksel sayısal simülasyonları, AI yaklaşımlarıyla zenginleştirmek ve böylece her iki alanın güçlü özelliklerini bir araya getirmektir. Bu amacı ilerletmek adına, Teknik Üniversite Münih (TUM)’deki araştırma ekibi, Profesör Dr. Nikolaus A. Adams liderliğinde, ML modellerini mevcut simülasyon iş akışlarına entegre etme konusunda yenilikçi yöntemler geliştirmektedir.
Bu hibrit yaklaşımlar, hem ML’nin tahmin gücünü kullanarak hem de geleneksel sayısal yöntemlerin fiziksel doğruluğunu koruyarak sayısal simülasyonların doğruluğunu ve verimliliğini artırmayı amaçlamaktadır.
Dr. Adams şöyle diyor: “Hibrit makine öğrenimi simülasyon iş akışlarını araştırırken, simülasyonlar ve ML modelleri arasındaki algoritmik benzerlikleri temel alarak tamamen farklılaştırılabilir ve yüksek derecede esnek bir lattice Boltzmann çözücüsü geliştirmekteyiz.”
Makine Öğreniminin Sayısal Yöntemlere Entegrasyonu
TUM ekibi, lattice Boltzmann yöntemi (LBM) temelinde hibrit bir simülasyon ortamı geliştiriyor ve makine öğrenimini sayısal simülasyon iş akışına dinamik olarak entegre ediyor. LBM, multihazır ve çok bileşenli akışları karmaşık geometrilerde, özellikle geçirgen ortam akışları gibi, yüksek sayısal verimlilikle hesaplamakta başarılıdır.
LBM’yi PyTorch makine öğrenimi kütüphanesi üzerinde uygulayarak, araştırma ekibi verimli tensör hesaplamalarından ve donanım hızlandırmasından yararlanmakta ve hızlı ve kullanıcı dostu TorchLBM çözücüsünü oluşturmuştur. Bu, karmaşık tek ve çok fazlı akışlar için LBM simülasyonları için modern sayısal yapı taşlarının modüler bir uygulamasını sunar.
TorchLBM’nin hesaplama verimliliğini artırmak için araştırma ekibi, simülasyon iş akışına FNO’ların tahmin gücünü entegre eden hibrit yöntemler geliştirmiştir. Bu hibrit yöntemler, altında yatan sayısal yöntemlerin ayrık operatörlerin çıktısını hesaplamayı gerektirdiği gerçeğini kullanarak, sıralı bağlantılı birimlere ayrılabilmektedir; bu, birçok ML modelinin mimarisine benzemektedir.
AI Destekli Lattice Boltzmann Çözücüsü
FNO’ların simülasyon çözünürlüğünden bağımsızlığını kullanarak AI yedek modelleri geliştirmeyi hedefleyen araştırmacılar, iki karmaşık akış problemi için yaklaşımlarını sergilemektedir:
- Kármán Vortex Street’in dinamik evrimi
- Geçirgen ortamda istikrar durumu akış alanı
Her vaka için, yoğunluk ve hız alanları için ayrı FNO’lar NVIDIA RTX A6000 GPU kullanılarak eğitilmiştir. Kármán Vortex Street durumunda, ekip akışı 2D ortamda simüle etmiştir. Veri, çeşitli Reynolds sayıları için tamamen sayısal TorchLBM simülasyonu kullanılarak üretilmiştir. FNO’lar ile yalnızca simülasyonu ilerletmek, hiperparametre ayarlama zorlukları nedeniyle birkaç özyinelemeli kullanımdan sonra bazı istikrarsızlıklara neden olmuştur.
Ancak, hibrit simülasyonlarda, simülasyon FNO ve LBM ile sırayla ilerletildiğinde, sonuçlar stabil kalmış ve hesaplama maliyetlerindeki büyük oranda azalmalar sağlanmıştır. FNO’ların tahmin zaman adımını optimize ederek, geleneksel yöntemlere göre hesaplama maliyetleri yarıya indirilmiştir.
Kendi başına FNO’lar tarafından simüle edilen akışlar ile hibrit simülasyonların gösterdiği görsel karşılaştırmalar (Şekil 2) bu iyileştirmeleri ortaya koymaktadır. Bu pipeline, AI modelini LBM yöntemiyle birleştirir.
İkinci durumda, takım, periyodik sınır şartları olan rastgele dağıtılmış engeller aracılığıyla akışı simüle etmiştir. Amaç, FNO‘ları kullanarak kararlı durum akış alanını tahmin etmek, simülasyonu FNO tahmini ile başlatmak ve sonrasında akışın kararlı hal çözümüne doğru LBM kullanarak ilerlemektir. FNO tahminleri, simülasyonların başlangıç aşamasını kolaylaştırarak, yüksek çözünürlüklü simülasyonlar için bile çözüm süresinde %50 azalmaya yol açmıştır.
Yeni CFD Araştırma Çağı
TUM’un makine öğrenimini dinamik olarak bir akış dinamiği çözücüsüne entegre etme konusundaki öncü çalışmaları, alanda yeni bir ölçek belirliyor. NVIDIA Modulus’un yenilikçi kullanımı ve hibrit modellerin geliştirilmesi, akışkanlar dinamiği araştırmalarında makine öğreniminin geniş potansiyelini göstermektedir.
Gelecekte, ekip bu hibrit modelleri daha da geliştirerek, çoklu GPU kurulumları aracılığıyla simülasyonlarını ölçeklendirmeyi ve iş akışlarını NVIDIA Omniverse ile entegre etmeyi hedeflemektedir. Böylece, önerilen yaklaşımlarını daha da geliştirip yeni uygulama alanlarını keşfetmeyi planlamaktadırlar.
TUM ekibinin yaptığı tüm bu gelişmeler, çeşitli endüstrilerde uygulamalar için yeni imkanlar sunuyor. Araştırmacıların ve mühendislerin bu tür yöntemleri benimsedikçe, akışkanlar dinamiği uygulamalarında bir devrim beklentisi doğmakta; bu da daha verimli tasarımlar, gelişmiş performans ve hızlandırılmış inovasyonlar getirebilir.
NVIDIA, ML araştırma topluluğuna, ileri düzey AI araçları ve bilgilerin herkesin erişebileceği şekilde sağlandığı bir platform sunarak destek olmaktadır.
NVIDIA Modulus, bu dönüşümde hayati bir rol oynamaktadır. Daha fazla bilgi için, NVIDIA Derin Öğrenme Enstitüsü kursu olan NVIDIA Modulus ile Fizik Bilgisine Dayalı Makine Öğrenimine Giriş‘e göz atabilirsiniz. En son Modulus kapsayıcısını veya pip tekerleklerini kişisel ortamlarda kullanmak üzere indirebilirsiniz.
Çerçeveyi özelleştirmek ve katkıda bulunmakla ilgili daha fazla bilgi için /NVIDIA/modulus GitHub deposuna başvurabilirsiniz.
