[論文レビュー] BI-GreenNet: Learning Green's functions by boundary integral network

Guochang Lin, Fukai Chen+5 more|arXiv (Cornell University)|Apr 28, 2022

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本稿では、境界積分表現と基本解を活用して、有界・無限・界面領域におけるポアソン方程式およびヘルムホルツ方程式のグリーン関数を学習するニューラルネットワーク手法、BI-GreenNetを提案する。問題を滑らかな境界上でのフィッティングタスクに再定式化することで、BI-GreenNetは高精度なグリーン関数近似を達成し、相対的 $ L^2 $ 誤差が4%未満の多様なPDEの一般化解法を可能にする。

ABSTRACT

Green's function plays a significant role in both theoretical analysis and numerical computing of partial differential equations (PDEs). However, in most cases, Green's function is difficult to compute. The troubles arise in the following three folds. Firstly, compared with the original PDE, the dimension of Green's function is doubled, making it impossible to be handled by traditional mesh-based methods. Secondly, Green's function usually contains singularities which increase the difficulty to get a good approximation. Lastly, the computational domain may be very complex or even unbounded. To override these problems, we leverage the fundamental solution, boundary integral method and neural networks to develop a new method for computing Green's function with high accuracy in this paper. We focus on Green's function of Poisson and Helmholtz equations in bounded domains, unbounded domains. We also consider Poisson equation and Helmholtz domains with interfaces. Extensive numerical experiments illustrate the efficiency and the accuracy of our method for solving Green's function. In addition, we also use the Green's function calculated by our method to solve a class of PDE, and also obtain high-precision solutions, which shows the good generalization ability of our method on solving PDEs.

研究の動機と目的

• 高次元性と特異性のため、従来の手法が機能しない複雑または無限領域におけるPDEのグリーン関数計算の課題に対処すること。
• メッシュベースの手法や標準的なニューラルネットワークが、グリーン関数の次元が2倍になることと滑らかでない性質に対処できないという制限を克服すること。
• 基本解と境界積分表現を活用する微分可能フレームワークを構築し、正確で一般化可能なグリーン関数の学習を可能にすること。
• 学習済みグリーン関数を用いて、新しい源項および境界条件を有するPDEを高精度に解くことで、一般化の能力を実証すること。

提案手法

• 基本解を用いてグリーン関数問題を境界積分方程式に再定式化することで、特異性を除去し、PDEを滑らかで高次元の関数近似タスクに変換する。
• グリーン関数を境界積分形式でパラメータライズするニューラルネットワークアーキテクチャ、BI-GreenNetを提案し、PDEが自動的に満たされ、境界条件のみを学習対象とする。
• 境界積分表現における未知の境界密度関数をニューラルネットワークで近似し、境界条件に基づく損失関数と残差最小化を用いる。
• 自動微分と物理を組み込んだ学習を統合し、PDEの残差と境界制約の両方を用いてネットワーク重みを最適化する。
• 直接近似手法であるDB-GreenNetと比較することで、境界積分定式化の精度およびスケーラビリティの優位性を検証する。
• 学習済みグリーン関数を畳み込みに類似した統合により新たなPDEを解くことで、源項および境界条件の変更に対する一般化を実証する。

(a) Single domain

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、有界・無限・界面領域を含む複雑な領域におけるポアソン方程式およびヘルムホルツ方程式のグリーン関数を効果的に学習できるか？
• RQ2 BI-GreenNetにおける境界積分定式化は、直接的ニューラルネットワーク近似（DB-GreenNet）に比べ、特異性や高次元問題において精度と安定性に優れているか？
• RQ3 学習済みグリーン関数は、源項や境界条件が異なる新たなPDEをどの程度一般化して解くことができるか？
• RQ4 基本解と境界積分表現の使用は、グリーン関数計算における次元の2倍化と特異性の課題をどのように軽減するか？
• RQ5 従来のメッシュベース手法が不適切な無限領域でも、本手法は高精度を維持できるか？

主な発見

• BI-GreenNetは、有界・無限・界面領域におけるポアソン方程式およびヘルムホルツ方程式のグリーン関数を高精度に学習し、直接的アプローチであるDB-GreenNetを上回る性能を示した。
• グリーン関数を境界積分に再定式化することで、特異性と高次元問題を効果的に処理し、安定かつ正確な学習を可能にした。
• 無限領域では、BI-GreenNetがDB-GreenNetに比べ優れた性能を発揮し、領域の複雑さに対して高いロバスト性を示した。
• 学習済みグリーン関数は、新しいPDEの解法に優れた一般化性能を示した。100個のランダムに生成された界面問題に対して、すべての相対的 $ L^2 $ 誤差が4%未満に保たれた。
• 学習済みグリーン関数を用いた境界積分評価により、PDEの正確な解法が可能であることが確認され、実用的価値と一般化能力が裏付けられた。
• 複雑な幾何形状や不連続な係数を有する問題に対しても、インターフェース問題における異なる材料パラメータを用いた検証を通じて、本フレームワークの有効性が検証された。

(b) Interface problem