Neural-Network-based Viscosity Closure for Non-Newtonian Multiphase Flows

本論文は、実験的なレオメトリーデータで学習させたニューラルネットワークを、Cahn–Hilliard–Navier–Stokes有限要素ソルバー内の粘性閉鎖として統合する実用的なワークフローを提示しており、ソルバーの修正を必要とせずに非ニュートン流体であるシリコーンインクの隆起ダイナミクスと形状を正確にシミュレーションすることで、この手法の妥当性を検証することに成功している。

要約

粘り気のあるドロドロとしたインクの滴が、液体の中にどのように広がっていくかをシミュレーションしようとしている場面を想像してみてください。現実の世界では、このインクは水のような挙動はしません。「非ニュートン流体」と呼ばれます。これは、かき混ぜる速さによってその粘度（ドロドロ具合）が変わることを意味します。強く押し付けると、ケチャップのように薄くなったり（粘性低下）、あるいはコーンスターチと水の混合物のように厚くなったり（粘性上昇）することがあります。

従来、これをシミュレートしようとするコンピュータ科学者は、インクの挙動を記述するために、特定の数学的な公式（「カロー・ヤスダ方程式」など）を推測しなければなりませんでした。しかし、もし新しいインクを発明した場合、そのたびに新しい公式を導き出し、コンピュータのコードを書き直さなければなりません。それは、燃料の種類を変えるたびに、車のエンジンを手動で作り直さなければならないようなものです。

この論文は、AI（人工知能）を用いた、よりスマートで柔軟な方法を提示しています。

「スマートな代用品」（ニューラルネットワーク）

コンピュータに硬直した数学的公式を強制する代わりに、研究者たちはインクの挙動を模倣する「スマートな代用品」として、ニューラルネットワーク（一種のAIの脳）を訓練しました。

1. 経験からの学習: 彼らは、特定のシリコーンインクが異なる速度でかき混ぜられた際にどのように反応するかを測定した、実世界のデータを取り込みました。
2. トレーニング: AIに対し、かき混ぜる速度を見て、その瞬間にインクがどの程度の粘度になるかを正確に予測するように教え込みました。
3. 「滑らかさ」のルール: AIが混乱したり、現実離れした突拍子もない予測（例えば、インクが一瞬にして岩のように固まると予測するなど）をしたりしないように、「リプシッツ正則化」と呼ばれるルールを追加しました。これは、AIの学習における「速度制限」のようなものです。これにより、AIが断片的で不安定な予測をするのではなく、滑らかで緩やかな予測を行うように強制します。

「ユニバーサル翻訳機」（ONNX）

通常、AIを訓練しても、その特定のAIを理解できるように物理シミュレーションソフトウェアを書き直す必要があります。これは時間がかかり、ミスも起こりやすい作業です。

研究者たちは、ONNX（Open Neural Network Exchange）と呼ばれるフォーマットを使用しました。これは、ユニバーサル翻訳機や標準的なUSBドライブのようなものです。彼らは訓練したAIをこの形式で保存しました。これにより、物理シミュレーションソフトウェアは、ソフトウェア自体を書き換えることなく、AIファイルを単に「プラグイン（差し込み）」して、「ねえ、この速度での粘度は？」と尋ねることができるようになりました。AIが重労働を引き受け、シミュレーションソフトウェアはただその指示に従うだけです。

テスト走行：上昇する泡

このシステムが機能することを証明するために、彼らは2種類のテストを実施しました。

1. 「教科書」テスト: すでに正確な数学的公式が判明している流体の中で、泡が上昇する様子をシミュレートしました。彼らは、AIによるシミュレーションと既知の数学的計算を比較しました。

   • 結果: AIは数学的計算と完璧に一致しました。これにより、「プラグアンドプレイ（差し込むだけで使える）」のシステムが機能することが証明されました。

2. 「現実世界」テスト: 彼らはラボで2種類の実際のシリコーンインク混合物を作成しました。そして、これらが特殊な液体（パーフルオロデカルリン）の中を上昇していく様子を、ハイスピードカメラで撮影しました。

   • ラボでの実測データをAIに投入しました。
   • コンピュータに、滴が上昇する様子をシミュレートさせました。
   • 結果: コンピュータによるシミュレーションは、上昇する滴の速度と形状を、実際のビデオで見られる姿とほぼ正確に一致して予測しました。シミュレーション上の滴は、現実の滴と同じ見た目であり、同じ速度で上昇しました。

なぜこれが重要なのか（論文による主張）

この論文は、これが**アディティブ・マニュファクチャリング（付加製造／3Dプリンティング）**への実用的な道筋であると主張しています。複雑な材料（デジタルライトプロセッシングやダイレクトインクライティングで使用されるインクなど）を用いて印刷する場合、その材料の挙動を予測することは困難です。

この新しいワークフローにより、エンジニアは以下のことが可能になります。

• 新しい材料に関する実際のラボデータを取り込む。
• そのデータに基づいて小さなAIモデルを訓練する。
• そのモデルをシミュレーションに直接組み込み、印刷中に材料がどのように流れるかを観察する。

要約すると: 数学者にならなくても、流体の挙動を記述できるシステムを構築したのです。単に測定し、小さなAIを訓練し、あとはコンピュータにすべてを解かせればよいのです。しかも、シミュレーションの精度と滑らかさを維持したまま実現できます。

技術概要

技術要約：非ニュートン多相流のためのニューラルネットワークに基づく粘度クロージャ

問題提起
デジタルライトプロセッシング（DLP）やダイレクトインクライティング（DIW）などのポリマーベースの付加製造に使用される材料は、通常、複雑な非ニュートン流動特性を示します。Carreau–Yasudaモデルやべき乗則のような標準的な構成モデルは、基本的な剪断希薄化や剪断増粘挙動を効果的に記述できますが、これらには重大な限界があります。これらのモデルは固定された低次元の関数形式であるため、新しい材料系や流動挙動（粘弾性、チキソトロピーなど）ごとに、研究者は新しい方程式を導出し、フローソルバー内に再実装する必要があります。さらに、経験的なフィッティングは必ずしも物理的な妥当性を保証するわけではなく、データ駆動型のサロゲート（代理モデル）は、高忠実度ソルバーに統合する際に、非物理的な振動を避けるための慎重な正則化を必要とします。実験的なレオメトリデータから学習された構成サロゲートを、ソルバーの修正なしに直接、多相流ソルバー内で展開するための確立されたワークフローが不足しています。

手法
著者らは、実験的なレオメトリデータで学習されたニューラルネットワーク（NN）を、Cahn–Hilliard–Navier–Stokes（CHNS）有限要素ソルバー内の粘度クロージャとして統合する展開ワークフローを提示しています。この手法は、以下の3つのコアコンポーネントで構成されています。

1. ニューラルネットワークの定式化と学習:

   • 全結合フィードフォワードニューラルネットワークを学習させ、局所的な剪断速度（$\dot{\gamma}$）から粘度（$\eta$）への写像を行います。
   • 学習された関数を構成クロージャとして使用するのに適したものにするため、学習中に**リプシッツ正則化（Lipschitz regularization）**を適用します。これは、損失関数に対して入力勾配へのペナルティを加えることで、ネットワーク出力の微分を制限するものです。これにより、ネットワークがノイズに対して高度に振動する関数で過学習することを防ぎ、特に学習した剪断速度範囲外への外挿時においても、滑らかで物理的に妥当な予測を保証します。
   • ネットワークアーキテクチャは、ハイパボリックタンジェント（Tanh）活性化関数を用いた、それぞれ64個のニューロンを持つ2つの隠れ層で構成されています。データが数桁に及ぶことを考慮し、学習はログ–ログ空間で行われます。

2. ONNXによるソルバー統合:

   • 学習済みネットワークは、**ONNX（Open Neural Network Exchange）**形式にエクスポートされます。
   • CHNSソルバーは、各反復ステップにおいてONNXランタイムを介してネットワークをクエリします。ソルバーは局所的な剪 shear rate をモデルに渡し、対応する粘度を受け取ります。
   • このアプローチにより、C++/Fortranソルバー環境内でネットワークのアーキテクチャを再実装したり、ソルバーのコードを変更したりすることなく、ニューラル構成モデルを既存の多相流フレームワークに統合することが可能になります。

3. 数値フレームワーク:

   • ソルバーは、Cahn–Hilliard方程式を解いた後にNavier–Stokes方程式を解く、ブロック反復タイムステッピング戦略を利用します。
   • 本フレームワークは、並列のオクトリーベースの**適応格子細分化（AMR）**インフラを採用しており、流体界面に解像度を集中させることで、相境界における急峻な勾配を効率的に解像します。

主な貢献

• 展開ワークフロー: ONNXを用いることで、実験的に学習されたレオロジーサロゲートを有限要素ソルバー内に展開する実用的な経路を確立し、ソルバーの修正を不要にしました。
• リプシッツ正則化: 学習におけるリプシッツ正則化の適用が、データ駆動型モデルにおける物理的な妥当性を欠く振動のリスクに対処し、構成クロージャとして適した滑らかな粘度予測を実現するための重要なメカニメントであることを示しました。
• 合成データおよび実データによる検証: 本ワークフローは、合成ベンチマーク（解析的なCarreau–Yasuda則）と実世界の実験データ（シリコーンインク処方）の両方に対して検証されており、単調および非単調な構成挙動に対する堅牢性が示されています。

結果
本研究は、主に2つの実験セットを通じてフレームワークを検証しています。

1. ベンチマーク検証（合成データ）:

   • ソルバーは、異なるべき乗指数およびウェーバー数を持つ、剪断希薄化流体中のバブル上昇ケース（Pang and Lu [26]）に対してテストされました。
   • ニューラルネットワーク・クロージャ（合成のCarreau–Yasudaデータで学習）を用いたシミュレーションは、解析的なCarreau–Yasudaクロージャを用いた場合と視覚的に区別がつかないバブル形状および上昇速度を生成しました。
   • ニューラルネットワークの結果は文献値とも一致しており、ソルバーの一貫性とニューラルパイプラインの忠実度を確認しました。
   • 合成の非単調な構成則（剪断希薄化に続く剪断増粘）も正常にモデリングされ、ニューラルネットワークはアーキテクチャの変更なしに解析結果を再現しました。

2. 実験検証（実データ）:

   • 2種類のシリコーンインク処方（フュームドシリカ含有量が異なる材料AおよびB）をレオメトリを用いて特性評価しました。
   • 高速ビデオを用いて、パーフルオロデカラジン浴中での液滴上昇ダイナミクスを記録しました。
   • ニューラルネットワークは実験的なレオメーターデータで学習され、これらの液滴の上昇をシミュレートするために使用されました。
   • 形状の一致: シミュレーションによる定常状態の液滴形状は、実験的な観察結果と一致しました。ハウスドルフ距離は0.044から0.079、チャムファー距離は0.040から0.062（平均液滴サイズで正規化）であり、偏差は液滴サイズの約4〜8%以内でした。
   • 速度の一致: シミュレーションによる上昇速度は、4つの独立したケース（2種類の材料、2種類の針ゲージ）すべてにおいて、実験的に測定された範囲内に収まりました。
   • 計算コスト: ニューラルネットワークの推論コストは、Navier–StokesおよびCahn–Hilliardの解法における線形代数の計算コストと比較して無視できる程度でした。

意義
本論文は、ニューラル構成クロージャをマルチフィジックスシミュレーションに統合するという、高まりつつある文献への貢献を主張しています。本研究は、従来のパラメトリックな構成則を、実験的測定値から学習されたデータ駆動型サロゲートに置き換えるための、ソルバーに依存しない実用的な方法を実証しています。複雑な上昇ダイナミクスや液滴形状を、新しい解析的導出やソルバーの書き換えを必要とせずに実材料で再現できたことは、標準的な関数形式では捉えることが困難または複雑な非ニュートン多相流をシミュレートするための、実行可能な道筋を提供しています。著者らは、データ駆動型のクロージャをソルバー内で安定かつ物理的に妥当なものにするために、リプシッツ正則化が不可欠であることを強調しています。