[論文レビュー] Data Assimilation in Reduced Modeling

Peter Binev, Albert Cohen+4 more|RWTH Publications (RWTH Aachen)|Jun 15, 2015

Numerical methods in inverse problems参考文献 15被引用数 5

ひとこと要約

本稿は、$V_0 \subset \cdots \subset V_n$ というネストされた部分空間の系列から得られる近似情報と測定値を統合することで、低次元モデル化における最適なデータ同調フレームワークを提案する。多空間設定における回復問題—ここで $u$ は各 $V_j$ において近似可能であると制約されている—は、楕円体への交互射影を用いて解くことができ、近似的に最適な回復が得られ、$\mathcal{O}(k^{-1})$ の収束速度と、停止基準のための事後誤差推定が得られる。

ABSTRACT

We consider the problem of optimal recovery of an element $u$ of a Hilbert space $\mathcal{H}$ from $m$ measurements obtained through known linear functionals on $\mathcal{H}$. Problems of this type are well studied \cite{MRW} under an assumption that $u$ belongs to a prescribed model class, e.g. a known compact subset of $\mathcal{H}$. Motivated by reduced modeling for parametric partial differential equations, this paper considers another setting where the additional information about $u$ is in the form of how well $u$ can be approximated by a certain known subspace $V_n$ of $\mathcal{H}$ of dimension $n$, or more generally, how well $u$ can be approximated by each $k$-dimensional subspace $V_k$ of a sequence of nested subspaces $V_0\subset V_1\cdots\subset V_n$. A recovery algorithm for the one-space formulation, proposed in \cite{MPPY}, is proven here to be optimal and to have a simple formulation, if certain favorable bases are chosen to represent $V_n$ and the measurements. The major contribution of the present paper is to analyze the multi-space case for which it is shown that the set of all $u$ satisfying the given information can be described as the intersection of a family of known ellipsoids in $\mathcal{H}$. It follows that a near optimal recovery algorithm in the multi-space problem is to identify any point in this intersection which can provide a much better accuracy than in the one-space problem. Two iterative algorithms based on alternating projections are proposed for recovery in the multi-space problem. A detailed analysis of one of them provides a posteriori performance estimates for the iterates, stopping criteria, and convergence rates. Since the limit of the algorithm is a point in the intersection of the aforementioned ellipsoids, it provides a near optimal recovery for $u$.

研究の動機と目的

• ヒルバート空間の要素 $u$ を測定値と低次元モデル化における近似情報から数学的に厳密なフレームワークで最適回復するための開発。
• 各部分空間 $V_j$ において良好に近似可能であることが分かっている、$V_0 \subset \cdots \subset V_n$ というネストされた階層を持つ多空間設定の分析。
• 各 $V_j$ における近似誤差と測定値によって定義される楕円体の共通部分が $u$ の実現可能集合を形成することを確立し、近似的に最適な回復を可能にする。
• 収束保証付きの反復的アルゴリズムを設計・分析し、多空間回復問題を解くための交互射影に基づく手法。

提案手法

• 測定制約と各 $V_j$ における近似誤差から導かれる楕円体の共通部分に $u$ を特定する回復問題を定式化する。
• パラメトリックな偏微分方程式と低次元基底の連続的背景を厳密にモデル化するためのヒルバート空間設定を用いる。
• 測定制約集合 $\mathcal{H}_w$ と近似楕円体 $\mathcal{K}_j$ への交互射影に基づく2つの反復的アルゴリズムを提案する。
• 反復列における事後誤差推定を導出し、$\delta_k = \text{dist}(u^k, \mathcal{K}_w)^2$ を用いることで、停止基準と収束速度の分析が可能になる。
• 不等式 $\delta_{k+1} \leq \delta_k - c^2 \delta_k^2$ に基づき、実現可能集合 $\mathcal{K}_w$ への距離の収束速度が $\mathcal{O}(k^{-1})$ であることを確立する。
• 理論を1空間ケースに適用し、[16]で提示されたアルゴリズムが最適回復理論の意味で最適であることを証明する。

実験結果

リサーチクエスチョン

• RQ1 ヒルバート空間設定下で、1つの低次元部分空間 $V_n$ における測定値と近似情報から得られる状態 $u$ の回復を最適化することは可能か？
• RQ2 $V_0 \subset \cdots \subset V_n$ というネストされた部分空間の階層からの近似情報を組み込むことで、1つの部分空間に比べて回復精度はどのように向上するか？
• RQ3 各 $V_j$ における近似誤差と測定データによって制約された状況下で、$u$ の実現可能集合の構造はどのようなものか？
• RQ4 交互射影に基づく反復的アルゴリズムは、多空間回復問題において事後誤差推定付きで収束を達成できるか？
• RQ5 多空間設定下で、このような反復的回復アルゴリズムに保証できる収束速度は何か？

主な発見

• [16]で提案された1空間回復のためのアルゴリズムが、最適回復理論の意味で最適であることが証明された。
• 多空間設定における $u$ の実現可能集合は、各 $V_j$ における近似誤差 $\varepsilon_j$ と測定制約によって定義される楕円体の共通部分であり、単一空間法に比べて著しく高い精度が達成可能である。
• 交互射影アルゴリズムの反復列に対して、事後誤差推定が導出され、$\sqrt{\alpha_k^2 + \rho(\alpha_k)^2} \leq E_n$ を停止基準として使用可能である。
• 実現可能集合 $\mathcal{K}_w$ への距離の収束速度が、問題パrameterにやや緩い仮定の下で $\mathcal{O}(k^{-1})$ であることが確立され、$\delta_k \leq Ck^{-1}$ が成り立つ。
• 実現可能集合 $\mathcal{K}_w$ が内点を含む場合には、収束速度がより速くなる（例えば指数的）が、接線的交差を伴う最悪ケースでは $\mathcal{O}(k^{-1})$ がタイトである。
• 本手法はオンライン実装可能であり、楕円体の共通部分に属する点を特定することで、保証された誤差境界付きで $u$ の近似的に最適な回復が可能である。