[論文レビュー] Data-based stochastic model reduction for the Kuramoto--Sivashinsky equation

Fei Lu, Kevin K. Lin+1 more|arXiv (Cornell University)|Sep 30, 2015

Model Reduction and Neural Networks参考文献 36被引用数 3

ひとこと要約

本稿では、限られた観測からの未解決ダイナミクスを捉えるために、離散時間NARMAXモデルを用いたデータ駆動型確率的パラメータ化を、Kuramoto-Sivashinsky方程式に対して提案する。近似インertシャル多様体を用いてモデル構造をガイドすることで、トレントケートド系と比較して予測リードタイムを5–10倍に延長する高精度な長期予測を達成するとともに、半パラメトリック係数推定によりモデルの複雑さを効率的に低減する。

ABSTRACT

The problem of constructing data-based, predictive, reduced models for the Kuramoto-Sivashinsky equation is considered, under circumstances where one has observation data only for a small subset of the dynamical variables. Accurate prediction is achieved by developing a discrete-time stochastic reduced system, based on a NARMAX (Nonlinear Autoregressive Moving Average with eXogenous input) representation. The practical issue, with the NARMAX representation as with any other, is to identify an efficient structure, i.e., one with a small number of terms and coefficients. This is accomplished here by estimating coefficients for an approximate inertial form. The broader significance of the results is discussed.

研究の動機と目的

• 観測可能な動的変数（フーリエモード）の小さなサブセットしか得られない状況において、Kuramoto-Sivashinsky方程式の予測可能で低次元の還元モデルを構築すること。
• 完全なモデルに依存せず、観測データを用いて欠落した未解決モードの影響を推定することで、モデル誤差を是正すること。
• 解像されたモード内の非線形相互作用と時間相関を捉える効率的な確率的パラメータ化を構築すること。
• データスパarsity下でも、標準的なトレントケートドGalerkin系を上回る予測精度とリードタイムを向上させること。
• 連続体に基づく概念（近似インテルシャル多様体など）が、効果的な離散時間NARMAXモデル構造の設計をガイドできることを示すこと。

提案手法

• 解像されたフーリエモードの時間系列にフィットするNARMAXモデルを、逆問題として解くことにより、離散時間確率的パラメータ化を構築する。
• NARMAX表現には非線形自己回帰項、移動平均成分、および外生入力を含め、未解決モードの確率的効果をモデル化する。
• 近似インテルシャル多様体を用いてNARMAXモデルの構造を情報提供し、識別に必要な項および係数の数を削減する。
• Kuramoto-Sivashinsky方程式の完全なシミュレーションからのデータを用いて、NARMAXモデルの係数を回帰により推定する。
• 非線形確率的微分方程式を解く必要を回避するため、離散時間で処理することで計算の実行可能性を向上させる。
• インテルシャル多様体を用いてNARMAXアンサンブルの形を制約することで、過剰適合を低減し、一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 部分的観測しか得られない状況下で、データベース型確率的パラメータ化が、カオス的PDEの解像モードの進化を効果的に予測できるか。
• RQ2 NARMAXモデルの構造を効率的に同定する方法は何か。複雑さを最小限に抑えつつ、予測精度を維持できるか。
• RQ3 NARMAXモデルに非線形項を組み込むことで、線形のみの（ARMAX）近似と比較して、統計的整合性がどの程度向上するか。
• RQ4 連続体力学系の概念（近似インテルシャル多様体など）を用いて、効果的な離散時間確率的モデルの構築をガイドできるか。
• RQ5 提案手法の予測性能は、標準的なトレントケートドGalerkin系と比較して、予測リードタイムおよび誤差指標においてどのように異なるか。

主な発見

• NARMAXベースの確率的パラメータ化により、トレントケートドGalerkin系と比較して予測リードタイムが約5–10倍に延長され、RMSEは約50時間単位の間2未満を維持する。
• ANCR（平均正規化相関比）は約55時間単位にわたり0.9以上を維持し、完全モデルと強い統計的一致性を示す。
• NARMAXモデルにおける非線形項の組み込みは不可欠である：ARMAX（線形のみ）モデルは不安定な解を生じさせ、平均エネルギーを最大5倍まで過大評価する。
• NARMAXモデルは解像されたフーリエモードの確率密度関数および自己相関関数を正確に再現するが、ARMAXモデルは時間的ダイナミクスを捉えられていない。
• データ生成プロセスにおけるアンサンブルサイズを大きくすると、RMSEは小さくなり、ANCRは高くなるため、より高いロバスト性と精度が得られる。
• 近似インテルシャル多様体の使用により、必要なNARMAX項および係数の数が著しく削減され、限られたデータからの有効な識別が可能になる。