[論文レビュー] A Kernel Approach to Data-Driven Koopman Spectral Analysis

Matthew O. Williams, Clarence W. Rowley+1 more|arXiv (Cornell University)|Nov 9, 2014

Model Reduction and Neural Networks被引用数 15

ひとこと要約

本稿では、高次元状態空間におけるスカラーオブザーバブルの明示的基底関数を避けるためにカーネル関数によって暗黙的に定義する、データ駆動型のKoopmanスペクトル解析のカーネルベース手法を提案する。この手法は、同じ計算コストでDMD（動的モード分解）よりも正確で、データ分布に敏感な少ない近似を達成する。

ABSTRACT

A data driven, kernel-based method for approximating the leading Koopman eigenvalues, eigenfunctions, and modes in problems with high dimensional state spaces is presented. This approach approximates the Koopman operator using a set of scalar observables, which are functions defined on state space, that is determined {\em implicitly} by the choice of a kernel. This circumvents the computational issues that arise due to the number of basis functions required to span a sufficiently rich subspace of the space of scalar observables in these problems. We illustrate this method on the FitzHugh-Nagumo PDE, a prototypical example of a one-dimensional reaction diffusion system, and compare our results with related methods such as Dynamic Mode Decomposition (DMD) that have the same computational cost as our approach. In this example, the resulting approximations of the leading Koopman eigenvalues, eigenfunctions, and modes are both more accurate and less sensitive to the distribution of the data used in the computation than those produced by DMD.

研究の動機と目的

• 高次元状態空間におけるスカラーオブザーバブルの豊富な部分空間を張ることに伴う計算負荷を軽減すること。
• カーネル関数を介してオブザーバブルを暗黙的に定義するデータ駆動型手法を開発し、明示的な基底関数の選択を回避すること。
• 従来の手法（例：DMD）と比較して、Koopman固有値、固有関数、モードの近似精度と頑健性を向上させること。
• 代表的な反応拡散系、FitzHugh-Nagumo PDEに対して本手法の有効性を示すこと。

提案手法

• 本手法は、カーネル関数によって暗黙的に定義されるスカラーオブザーバブルの集合を用いてKoopman作用素を近似し、明示的な基底関数を避ける。
• 再生核ヒルベルト空間（RKHS）フレームワークを用いて、カーネル誘導オブザーバブルを構築し、高次元空間における効率的な計算を可能にする。
• Koopman固有値問題は、カーネル誘導オブザーバブルの張る空間へのデータ駆動型ガレルキン射影を用いて解く。
• カーネルトリックを活用することで、高次元特徴空間における明示的計算を回避し、計算複雑性を低減する。
• グリーディ選択を用いてデータ点を選択し、Koopman作用素の低ランク近似を構築する。
• 得られた固有値および固有関数の近似は、カーネルグラム行列から導かれるシフト固有値問題を解くことで計算される。

実験結果

リサーチクエスチョン

• RQ1 同じ計算コストで、カーネルベースの手法がDMDよりも高次元系においてより正確なKoopmanスペクトル近似を提供できるか？
• RQ2 カーネル関数によるオブザーバブルの暗黙的構築が、Koopman解析における次元の呪いをどのように緩和するか？
• RQ3 本手法におけるKoopmanスペクトル近似の精度が、トレーニングデータの分布にどれほど敏感であるか、DMDと比較してどの程度か？
• RQ4 カーネルベース手法は、FitzHugh-Nagumo PDEのような反応拡散系の支配的ダイナミクスを信頼性高く捉えることができるか？
• RQ5 カーネル誘導オブザーバブルから得られる固有関数およびモードは、標準的なDMDと比較して解釈可能性および収束性においてどのように異なるか？

主な発見

• 提案手法は、FitzHugh-Nagumo PDEにおいて、DMDよりも優れた精度で主要なKoopman固有値を近似する。
• 本手法は、DMDと比較してトレーニングデータの分布にあまり依存しない固有関数およびモードを生成し、頑健性が向上する。
• カーネルベース手法は、DMDと同等の計算コストを維持しながら、スペクトル近似品質を著しく向上させる。
• カーネルによるオブザーバブルの暗黙的構築により、高次元空間における明示的基底関数の必要性が回避され、計算オーバーヘッドが低減する。
• 本手法は、データ駆動型のカーネル誘導オブザーバブルフレームワークを用いて、FitzHugh-Nagumo PDEの支配的空間時間的ダイナミクスを効果的に捉える。
• 得られたKoopmanスペクトル分解は、さまざまなデータサンプリング条件において、より優れた安定性および収束特性を示す。