[論文レビュー] A matrix-oriented POD-DEIM algorithm applied to nonlinear differential matrix equations.

Gerhard Kirsten, Valeria Simoncini|arXiv (Cornell University)|Jun 23, 2020

Model Reduction and Neural Networks参考文献 31被引用数 4

ひとこと要約

本稿では、大規模な非線形行列微分方程式を解くために、二重側離散Empirical Interpolation Method (DEIM) を用いた行列指向型 Proper Orthogonal Decomposition (POD) を提案する。左および右の射影に基づく補間を活用することで行列構造を活かし、構造を意識したモデル還元を実現し、結合系を含むベンチマーク問題において優れた性能を示す。

ABSTRACT

We are interested in approximating the numerical solution ${\bf U}(t)$ of the large dimensional nonlinear matrix differential equation $\dot{\bf U}(t) = A{\bf U}(t) + {\bf U}(t)B + {\cal F}({\bf U},t) + G$, with appropriate starting and boundary conditions, and $t \in [0, T_f]$. In the framework of the Proper Orthogonal Decomposition (POD) methodology and the Discrete Empirical Interpolation Method (DEIM), we derive a novel matrix-oriented reduction process leading to an effective, structure aware low order approximation of the original problem. The reduction of the nonlinear term is also performed by means of a fully matricial interpolation using left and right projections onto two distinct reduction spaces, giving rise to a new two-sided version of DEIM. Several numerical experiments based on typical benchmark problems illustrate the effectiveness of the new matrix-oriented setting, also for coupled systems of nonlinear matrix differential equations.

研究の動機と目的

• 大規模な非線形行列微分方程式の低次元モデルを構築するが、行列構造を保持する。
• 行列微分方程式における非線形項の効率的近似を、行列的で構造を意識したアプローチで解決する。
• DEIMフレームワークを左および右の射影空間に作用する二重側行列形式に拡張する。
• 提案手法の有効性を、結合系を含むベンチマーク問題に対して示す。
• 非線形行列系の長時間積分において、計算効率と精度を確保する。

提案手法

• スナップショット行列から解軌道の空間的および時間的モードを抽出するために、Proper Orthogonal Decomposition (POD) を適用する。
• 解行列および非線形項の構造の両方に対して、PODを用いて低次元部分空間を構築する。
• 二重側DEIMを導入し、別々の低次元部分空間に左および右の射影行列を用いて補間を実行する。
• 非線形項は、元の問題の行列構造を尊重する行列的補間により近似する。
• 全行列微分方程式をPOD部分空間に射影することで低次元系を導出し、非線形項は二重側DEIM補間により再構成する。
• 低次元化の過程で問題の行列性を維持し、ベクトル化を避け、構造の忠実性を保つ。

実験結果

リサーチクエスチョン

• RQ1 行列指向型POD-DEIMフレームワークは、大規模な非線形行列微分方程式の計算コストを効果的に低減できるか？
• RQ2 二重側DEIMアプローチは、行列構造を持つ問題において、標準DEIMと比較して精度をどれほど維持できるか？
• RQ3 非線形行列ODEの結合系において、この手法は構造と精度をどの程度維持できるか？
• RQ4 行列固有の補間は、低次元モデルの安定性および収束性にどのような影響を及えるか？
• RQ5 提案手法は、長時間シミュレーションにおいて顕著な高速化を達成しながらも、高い精度を維持できるか？

主な発見

• 行列指向型POD-DEIM手法は、低次元化プロセス中に行列構造を保持することで、顕著な計算コスト削減を達成する。
• 二重側DEIM定式化により、わずかな補間点数で非線形項の高精度近似が可能となり、オンライン計算コストが削減される。
• 数値実験の結果、長時間積分においても高い精度を維持しており、構造を意識した問題では標準POD-DEIMを上回る性能を示す。
• 本手法は、非線形行列微分方程式の結合系に対しても効果的であり、頑健性とスケーラビリティを示す。
• 問題の次元を低減しつつも、内在する行列構造を保持するため、より正確で効率的な低次元モデルが得られる。
• 結果から、行列指向型DEIMによる構造を意識したモデル還元は、ベクトル化手法と比較して近似品質が向上することが確認された。