基于机器学习加速的稳定显式变负载求解器用于刚性化学动力学快速求解
计算物理
2019-06-25 v3 分布式、并行与集群计算
图形学
机器学习
性能
摘要
本研究提出了一种在TensorFlow中实现、用于刚性化学动力学积分的快速稳定机器学习混合算法。微分方程的数值解是计算流体动力学计算的核心。随着模拟规模与复杂度的增长，对计算算力与时间的需要也随之增加。已有诸多努力将刚性化学求解器实现于GPU上，但因传统刚性求解器算法中的逻辑发散而未获高度成功。受这些限制，我们开发了新颖的显式稳定变负载(STEV)求解器。通过引入每时间步化学物种最大变化量的限制，防止了因相对较大时间步导致的越步。为抑制振荡，引入离散傅里叶变换以阻尼振铃。与常规显式方法不同，我们采用变负载策略，计算域中每个单元以其独特时间步推进。该方法允许单元同时积分并保持warp收敛，但在不同迭代次数结束并从工作负载中移除。为提升所引入求解器的计算性能，我们用浅层神经网络替代多项式拟合来估计特定感兴趣的热力学量，在极少训练与实现需求下额外节省10%时钟时间。而ML专用硬件可将时间节省提升至多达28%。尽管这些特定机器学习模型的复杂度按现代标准并不高，其对计算效率的影响不可忽视。结果显示总化学求解时间急剧下降(超过200倍)，同时保持相似精度水平。
引用
@article{arxiv.1905.09395,
title = {The Stabilized Explicit Variable-Load Solver with Machine Learning Acceleration for the Rapid Solution of Stiff Chemical Kinetics},
author = {Kyle Buchheit and Opeoluwa Owoyele and Terry Jordan and Dirk Van Essendelft},
journal= {arXiv preprint arXiv:1905.09395},
year = {2019}
}
备注
25 pages, 14 Figures, 2 Tables, 56 Equations, Original research into accelerating CFD with ML/AI