Verbesserung von Flüssigkeitssimulationen mit eingebetteten neuronalen Netzen

Während neuronale Netze dazu beitragen können, die Genauigkeit von Strömungssimulationen zu verbessern, zeigen neue Forschungsergebnisse, dass ihre Genauigkeit begrenzt ist, wenn nicht der richtige Ansatz gewählt wird. Durch die Einbettung von Fluideigenschaften in neuronale Netze kann die Simulationsgenauigkeit um Größenordnungen verbessert werden.

Die Lattice-Boltzmann-Methode (LBM) ist eine Simulationstechnik zur Beschreibung der Dynamik von Flüssigkeiten. In letzter Zeit besteht ein zunehmendes Interesse an der Verwendung neuronaler Netze für die rechnerische Modellierung von Flüssigkeiten. Die Ergebnisse einer Zusammenarbeit zwischen Forschern der Technischen Universität Eindhoven und dem Los Alamos National Laboratory, veröffentlicht in Das European Physical Journal Ezeigen, wie neuronale Netze in ein LBM-Framework eingebettet werden können, um Kollisionen zwischen Flüssigkeitspartikeln zu modellieren.

Das Team stellte fest, dass es wichtig ist, die richtigen physikalischen Eigenschaften in die Architektur des neuronalen Netzwerks einzubetten, um die Genauigkeit zu gewährleisten. Diese Entdeckungen könnten das Verständnis der Forscher für die Modellierung von Flüssigkeitsströmen vertiefen.

Das LBM funktioniert, indem es Strömungen in Gitter aus winzigen Zellen aufteilt: Es verfolgt die Bewegung von Partikeln zwischen Zellen und berechnet dann, wie sich die Verteilung der Partikel in jeder Zelle im Laufe der Zeit ändert. Eine der zentralen Anforderungen des LBM ist die Modellierung von Kollisionen zwischen Partikeln. Mehrere unterschiedliche Modelle sind mittlerweile dazu in der Lage, und durch die entsprechende Nachbildung dieser Kollisionen innerhalb des LBM können Forscher sie nun zur Modellierung einer Vielzahl von Strömungssystemen verwenden.

In ihrer Studie bewerteten die Teams aus Eindhoven und Los Alamos die Zuverlässigkeit dieses Ansatzes, indem sie das LBM nutzten, um zeitveränderliches Verhalten in einer Vielzahl komplexer Strömungen zu modellieren. Sie entdeckten, dass „Vanilla“-Architekturen neuronaler Netzwerke ohne Durchsetzung physikalischer Eigenschaften eine sehr begrenzte Genauigkeit bei der Berechnung von Partikelkollisionen aufweisen.

Doch durch die Einbettung der einzigartigen physikalischen Eigenschaften realer Strömungen – einschließlich Erhaltungsgesetzen und räumlicher Symmetrien – kann sich ihre Genauigkeit bei der Reproduktion zeitlich variierender Dynamik um etwa vier Größenordnungen verbessern. Die Autoren hoffen, dass ihre Entdeckungen wichtige Auswirkungen auf die Fluiddynamik haben könnten: Sie könnten es Forschern ermöglichen, Systeme zu simulieren, die Gasmischungen, turbulente Strömungen sowie exotischere Quantenflüssigkeiten umfassen.