그래프 신경망을 이용한 대수적 다중격자 압력 솔버의 가속
Acceleration of an algebraic multigrid pressure solver using graph neural networks
압력-푸아송 방정식을 푸는 문제는 전통적인 선형 솔버가 메쉬 불규칙성에 본질적으로 민감하기 때문에 비압축성 비정렬 유동 솔버에서 주된 계산 병목 현상으로 남아 있습니다. 본 연구는 수정된 그래프 컨볼루션 동형 네트워크(GCIN)를 사용하는 데이터 기반 대수적 다중격자(AMG) 스무더를 소개합니다. 그래프 신경망은 다양한 격자 위상에 걸쳐 희소 유사 역 연산자를 구성하기 위한 최적의 다항식 계수를 예측합니다. 해당 계수는 각 V-사이클 반복 후 잔차를 줄이도록 최적화됩니다. 희소 계수 행렬에서 시스템의 대수적 구조를 직접 포착함으로써, 제안된 방법은 비정렬 격자의 국소 이방성에 적응하면서도 솔버의 선형성을 유지합니다. 우리의 프레임워크는 주어진 허용 오차를 만족하는 데 필요한 V-사이클 횟수를 줄이고 다양한 벤치마크에서 4%에서 37%에 달하는 실제 시간 단축을 달성하여 상당한 성능 향상을 입증합니다. 특히, 이 모델은 학습에 사용된 것보다 최대 128배 더 큰 메쉬에서도 효율성을 유지하고, AirfRANS 데이터셋과 같은 새로운 산업 관련 문제에서 솔버의 수렴을 가속화하여 강건한 일반화 능력을 보여줍니다.