[論文レビュー] Certified reduced basis methods for fractional Laplace equations via extension

Harbir Antil, Yanlai Chen+1 more|arXiv (Cornell University)|Aug 1, 2018

Fractional Differential Equations Solutions参考文献 7被引用数 3

ひとこと要約

本稿では、Caffarelli-Silvestre拡張を用いて分数ラプラシアン方程式を解くための証明可能 reduced basis method (RBM) を提示する。これにより、複数のパラメータクエリ、特に分数指数 $ s $ に対して、標準的な有限要素ソルバーよりも2桁以上速く、かつきわめて高い精度の解の代理モデルが得られる。

ABSTRACT

Fractional Laplace equations are becoming important tools for mathematical modeling and prediction. Recent years have shown much progress in developing accurate and robust algorithms to numerically solve such problems, yet most solvers for fractional problems are computationally expensive. Practitioners are often interested in choosing the fractional exponent of the mathematical model to match experimental and/or observational data; this requires the computational solution to the fractional equation for several values of the both exponent and other parameters that enter the model, which is a computationally expensive many-query problem. To address this difficulty, we present a model order reduction strategy for fractional Laplace problems utilizing the reduced basis method (RBM). Our RBM algorithm for this fractional partial differential equation (PDE) allows us to accomplish significant acceleration compared to a traditional PDE solver while maintaining accuracy. Our numerical results demonstrate this accuracy and efficiency of our RBM algorithm on fractional Laplace problems in two spatial dimensions.

研究の動機と目的

• 分数指数 $ s \in (0,1) $ が未知であり、データから同定されなければならない場合に、分数ラプラシアン方程式を解く際の計算ボトルネックを克服すること。
• パラメータ $ s $ および他のパラメータがクエリごとに変化するパrameterized 分数PDEに対して、モデル順序低減戦略を構築すること。
• 拡張技術を活用することで、RBMにおける非アフィンなパラメータ依存性と非局所的作用素の課題を克服すること。
• パrameter領域 $ s \in (0,1) $ 全体にわたり、reduced basis 代理モデルの厳密な誤差認証を保証すること。
• 2次元空間において、多数のクエリを伴う状況でのオフラインおよびオンラインフェーズにおける顕著な計算高速化を実証すること。

提案手法

• 非局所的分数ラプラシアン問題を、半無限領域 $ \Omega \times (0,\infty) $ 上の局所的PDEに変換するため、Caffarelli-Silvestre拡張を用いる。これにより、標準的な有限要素離散化が可能となる。
• 半無限円柱領域に対して、切断を施した有限要素法を適用し、拡張次元における指数的減衰を活用して高精度な近似を実現する。
• 高精度解（トレーニング用）として、拡張された有限要素解を用いて真値近似 $ \mathcal{U}^\mathcal{N} $ を構築する。
• パラメータ $ s $ に依存する分数作用素の非アフィン性に対処するため、Empirical Interpolation Method (EIM) を実装し、オフライン・オンライン分解を可能にする。
• 選択された $ s $ 値における拡張解のスナップショットから、グリーディアルゴリズムを用いて誤差境界を保証する reduced basis 空間 $ \mathcal{U}_N $ を構築する。
• inf-sup 条件と解のパラメータ依存性に基づいて導出された誤差推定器を用いて、reduced basis の誤差を認証する。

実験結果

リサーチクエスチョン

• RQ1 非アフィンなパラメータ依存性を示す分数指数 $ s $ を持つ分数ラプラシアン方程式に対して、証明可能な reduced basis 法を効果的に適用できるか？
• RQ2 拡張技術をRBMに統合することで、分数ラプラシアンの非局所的性質を扱いながらも、計算効率を維持できるか？
• RQ3 パrameter $ s $ が変化する多数のクエリ問題において、RBMの代理モデルは標準的な有限要素ソルバーよりもどの程度の計算高速化と精度を達成するか？
• RQ4 特に特異点や境界値付近において、RBMの代理モデルの誤差はパラメータ領域 $ s \in (0,1) $ 全体でどのように振る舞うか？
• RQ5 ソース項の変動などの追加パラメータを扱えるように、この手法を拡張できるか。その際、効率性と認証性を維持できるか？

主な発見

• パラメータ領域 $ s \in D_1 $ に対して $ M \approx 312 $ 個のクエリを処理する際、$ N = 7 $ 個の reduced basis 関数を用いることで、累積計算時間において2桁以上（2+）の高速化が達成された。
• オンライン計算時間の余裕がある状況では、10個の reduced basis 関数を用いることで、4桁以上の高速化が達成され、オンライン効率が顕著に向上した。
• オフラインフェーズのコストは無視できるほど小さく、多数のクエリを伴う状況では、オフライン計算への投資が極めて有益であることが示された。
• パラメータ領域 $ s \in D_2 $ において、RB誤差は低水準（例：$ \sim 10^{-4} $）で停滞し、EIM近似における $ y $-一様収束性が限定的であっても、そのロバスト性が裏付けられた。
• 1パラメータケースにおいて、$ N = 7 $ の場合、パラメータ領域 $ s \in (0.03, 0.97) $ 全体で高精度を維持し、誤差は $ 10^{-4} $ 未満に抑えられた。
• 2パラメータケース（$ s, \nu $）において、66,049個のトレーニングポイントおよび900個のテストポイントに対して、正確な代理モデルが得られ、パラメータ空間全体にわたり誤差指標の収束が観察された。