Classical finite-element solvers as differentiable graph programs on GPUs

ジェットエンジンや原子炉の内部のような、複雑な機械の中で熱がどのように移動するかを予測することを想像してみてください。空気は渦を巻きながら熱い金属壁に当たり、冷却されます。そして、金属自体が温まり、その熱を伝導させて逃がしていきます。これらの機械を安全かつ効率的に設計するために、エンジニアは流体と固体のこの「ダンス」をシミュレーションしなければなりません。数十年にわたり、このための標準的な手法は、機械の形状を数百万の小さな不規則なパズルのピースに分割し、それぞれのピースに対して膨大な方程式のセットを解くというものでした。このプロセスは非常に正確ですが、極めて時間がかかり、単一の答えを得るためだけに、伝統的なコンピュータプロセッサのバンクが数時間あるいは数日間稼働する必要があることも珍しくありません。ボトルネックは通常、システム全体で圧力と温度のバランスが正しく取れることを確認するために必要な、計算の膨大な量にあります。

研究チームは、これらの同じ高度に正確な計算を、全く異なる種類の問題として扱うことで、はるかに高速に実行できることを示しました。それは「グラフ」として扱うことです。シミュレーションを数字の硬直したグリッドとして見るのではなく、それらの小さなパズルのピース間の接続を、現代のグラフィックスプロセッサ（高性能ビデオカードに搭載されているチップ）が容易に処理できる構造へとマッピングしました。古典的な数学的手順を、このグラフを通じて流れる固定された一連の命令へと書き換えることで、彼らは単一のグラフィックスカード上で動作する新しいソルバー（解法）を作り上げました。彼らのテストでは、このアプローチは、32個の強力なプロセッサコアで動作する従来の方法よりも最大181倍速く、これらと同じ複雑な熱伝達問題を解決しました。決定的なのは、このスピードアップが、物理現象を近似したり、答えを推測するために機械学習モデルを訓練したりすることによって得られたものではないということです。研究者たちは、全く同じ数学的ルールを維持したため、結果は従来の遅い手法と同じくらい正確なままでした。

シーメンス・エナジー、インペリアル・カレッジ・ロンドン、およびその他の研究者らによるこの研究は、「共役熱伝達（conjugate heat transfer）」として知られる特定の課題に焦点を当てています。これは、空気や水のような移動する流体が、接触している固体物体と熱を交換する現象です。電子機器の冷却からエンジンの設計に至るまで、多くの工学的応用において、流体と固体は互いに強く影響し合うため、一つのシステムとして一緒に解かれなければなりません。研究者たちは、複雑で曲線的な形状を扱うためのゴールドスタンダードである「有限要素法」と呼ばれる確立された手法を取り上げ、その核となる操作を、グラフィックスプロセッサがネイティブに理解できる言語へと翻訳しました。彼らは、シミュレーションにおける数百万の点間の接続を、ソーシャルネットワークが人々のつながりをマッピングするのと同様に、ノードとエッジのネットワークとして表現しました。計算の各ステップは、このネットワークを通じた単純なメッセージパッシング・イベントとなりました。

この成果を特別なものにしているのは、チームが解を学習するために人工知能を訓練したのではないという点です。近年の多くの試みでは、ニューラルネットワークを使用して過去のデータからパターンを学習させますが、これらのモデルは新しい形状や条件に対して苦戦することが多く、不正確な結果を生むこともあります。ここでは、「ニューラルネットワーク」の構造は、あくまで古典的な数学のための「器」として使用されました。グラフ内のすべての重みと接続は、物理方程式とメッシュの幾何学から直接計算されており、ソルバーは何事かを学習していたわけではなく、単に既知の物理法則を、新しく非常に効率的な形式で実行していたに過ぎません。これにより、システムは伝統的な手法の厳格な精度を保持しながら、グラフィックスカードの持つ膨大な並列処理能力を獲得することができました。

研究者たちは、熱い空気が上昇し冷たい空気が下降する混沌とした渦を含む乱流セルや、湾曲した金属壁を持つ複雑なエンジンシリンダーなど、さまざまな困難なシナリオを用いて新しいソルバーをテストしました。彼らは、その結果を3つの確立されたソルバーと比較しました。すなわち、中央プロセッサで動作する伝統的なコード、業界で広く使用されている標準的な有限体積法コード、そして単純なグリッド用に設計された別のタイプのニューラルネットワーク・アプローチです。結果は、あらゆる状況において最も速いソルバーが一つだけ存在するわけではないことを示しました。非常に小さな問題においては、伝統的な手法も依然として競争力がありました。しかし、問題が大きくなり複雑になるにつれ、グラフィックスカード上の新しいグラフベースのソルバーが劇的にリードしていきました。1億点を超えるデータを含む最大のテストケースにおいて、この新手法は、伝統的な手法よりもステップあたり181倍高速でした。

単なる計算速度を超えて、この新しいアプローチはユニークな利点も提供しました。それは、最終的な結果が入力パラメータの変化に対してどの程度敏感であるかを計算できることです。工学において、材料や温度の小さな変化が結果にどのように影響するかを知ることは極めて重要です。研究者たちは、彼らのソルバーが、新しい問題ごとに特別な複雑なコードを書くことなく、これらの感度を自動的かつ正確に計算できることを実証しました。彼らは、単一のパラメータに対する解の感度を計算するコストは、パラメータがいくつあろうとも、シミュレーションを5回実行するのとほぼ同じ計算量であることを見出しました。この効率性は、最適な構成を見つけ出すために、何千もの設計バリエーションを迅速にテストする道を開きます。

チームはまた、複数のグラフィックスカードが連携して動作する必要がある、より大規模な問題へとこの手法をスケールアップさせる際の課題にも取り組みました。異なるカード同士が進行状況を通信するのを助ける特定の補正ステップを追加することで、プロセッサの数を増やしても高い効率を維持することができました。彼らは、数億点のデータを用いたシミュレーションを8枚のグラフィックスカードで成功裏に実行しましたが、これは単一のマシン上の伝統的なアプローチでは達成が困難な規模です。この研究は、グラフィックスカードが常に伝統的なプロセッサよりも優れていると主張しているわけではありませんが、大きく複雑で曲線的な幾何学形状に対しては、単一のカード上の新しいグラフベースのアプローチが、32個の伝統的なコアのクラスターを大幅に上回ることができることを明確に示しました。

この研究は、現代のシミュレーションの速度が物理法則によって制限されているのではなく、計算をどのように実行するかという選択によって制限されていることを裏付けています。有限要素法をグラフプログラムとして再構築することで、研究者たちは、同じ数学的厳密さを保ちながら、よりわずかな時間でそれを実現できることを示しました。これは、慎重なエンジニアリングや結果の検証の必要性を置き換えるものではありませんが、エンジニアがより多くの設計を探索し、より詳細なシミュレーションを実行し、以前は遅すぎて対処できなかった問題を解決することを可能にする強力な新しいツールを提供します。この研究は、古典的な科学と現代のコンピューティング・ハードウェアが融合することで、精密かつ驚異的に高速なツールを生み出せるという証明となっています。