SciAI4Industry——利用深度学习求解工业规模偏微分方程
分布式、并行与集群计算
2022-11-24 v1 人工智能
计算物理
摘要
利用深度学习求解偏微分方程可将仿真时间降低多个数量级，并释放通常依赖大量顺序仿真的科学方法，如优化与不确定性量化。采用科学 AI 于工业问题场景的两大挑战在于：训练数据集必须预先仿真，且用于求解大规模 PDE 的神经网络超出当前 GPU 的内存能力。我们引入了 Julia 语言中的分布式编程 API，用于在云上并行仿真训练数据，且无需用户管理底层 HPC 基础设施。此外，我们展示了基于区域分解的模型并行深度学习使我们能将求解 PDE 的神经网络扩展至商业规模问题场景，并实现 above 90% 的并行效率。结合我们的训练数据生成云 API 与模型并行深度学习，我们训练了用于求解 3D Navier-Stokes 方程及仿真多孔介质中 3D CO2 流动的大规模神经网络。对于 CO2 示例，我们基于商业碳捕集与封存（CCS）项目仿真了训练数据集，并训练了用于 CO2 流动仿真的、含超过 200 万网格单元的 3D 网格神经网络，其速度较传统数值仿真器快 5 个数量级，且成本低 3,200 倍。
引用
@article{arxiv.2211.12709,
title = {SciAI4Industry -- Solving PDEs for industry-scale problems with deep learning},
author = {Philipp A. Witte and Russell J. Hewett and Kumar Saurabh and AmirHossein Sojoodi and Ranveer Chandra},
journal= {arXiv preprint arXiv:2211.12709},
year = {2022}
}
备注
Submitted to International Parallel and Distributed Processing Symposium (IPDPS) on October 5, 2022