[論文レビュー] Data-driven discretization: a method for systematic coarse graining of partial differential equations

Yohai Bar‐Sinai, Stephan Hoyer+2 more|arXiv (Cornell University)|Aug 15, 2018

Computer Graphics and Visualization Techniques被引用数 8

ひとこと要約

この論文では、高精度な解のデータを用いて学習することで、偏微分方程式（PDE）の最適化された粗粒度数値スキームを学習するニューラルネットワークベースの手法、データ駆動型離散化を提案する。低解像度グリッド上で空間微分の近似をエンドツーエンド最適化することにより、従来の有限差分法と比較して4–8倍粗い解像度でも精度を達成でき、非線形PDEの広範な空間時間スケールにわたる安定かつ正確な積分が可能になる。

ABSTRACT

The numerical solution of partial differential equations (PDEs) is challenging because of the need to resolve spatiotemporal features over wide length and timescales. Often, it is computationally intractable to resolve the finest features in the solution. The only recourse is to use approximate coarse-grained representations, which aim to accurately represent long-wavelength dynamics while properly accounting for unresolved small scale physics. Deriving such coarse grained equations is notoriously difficult, and often \emph{ad hoc}. Here we introduce \emph{data driven discretization}, a method for learning optimized approximations to PDEs based on actual solutions to the known underlying equations. Our approach uses neural networks to estimate spatial derivatives, which are optimized end-to-end to best satisfy the equations on a low resolution grid. The resulting numerical methods are remarkably accurate, allowing us to integrate in time a collection of nonlinear equations in one spatial dimension at resolutions 4-8x coarser than is possible with standard finite difference methods.

研究の動機と目的

• 細かいスケールの解像度が計算的に非現実的である広範な空間時間スケールを有するPDEの数値的解法を解決すること。
• 体系的な導出や精度保証が欠如している、臨機応変な粗粒度化手法の限界を克服すること。
• 基礎となるPDEの解から直接学習することで、正確で最適化された数値離散化を学習するデータ駆動フレームワークを開発すること。
• 標準的な有限差分法と比較して、はるかに粗い空間解像度で非線形PDEの安定的かつ正確な時間積分を可能にすること。

提案手法

• この手法は、低解像度グリッド上で空間微分を推定するためのニューラルネットワークを用い、従来の有限差分ステンシルに代わる。
• ネットワークのパラメータは、粗いグリッド上でPDEの残差を最小化するようにエンドツーエンドで訓練され、学習されたスキームが可能な限り方程式を正確に満たすように保証される。
• 学習データは、既知のPDEの高解像度解から構成され、監視のために正確な真値動的挙動が提供される。
• このアプローチは、1次元空間におけるさまざまな非線形PDEに適用され、同じ構造を持つ異なる方程式への一般化を示している。
• 得られた数値スキームは、標準的な時間積分法を用いてPDEを時間的に前方に積分するために使用され、学習された空間オペレータが安定性と精度を保証する。

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を用いて、標準的な有限差分法よりも粗い解像度で優れた性能を示すPDEの体系的な粗粒度離散化を学習できるか？
• RQ2 データ駆動型の微分近似は、解像度が不足している小スケール物理を考慮しつつ、長波長動的挙動をどれほど正確に再現できるか？
• RQ3 学習された数値スキームは、類似した構造を持つ異なる非線形PDEの間でどれほど一般化できるか？
• RQ4 データ駆動的手法を用いた場合、安定的かつ正確な時間積分が可能となる最大の解像度の粗さ（グリッド間隔の観点）はどの程度か？

主な発見

• データ駆動型離散化手法は、標準的な有限差分法が可能な解像度よりも4–8倍粗い空間解像度でも、非線形PDEの安定的時間積分を達成している。
• 学習された数値スキームは、複雑な小スケール相互作用を含む物理を伴う場合でも、長波長動的挙動を高い精度で捉え続けている。
• 解像度を粗くすることで計算コストを著しく削減でき、解像度の忠実度を損なわずシミュレーションが可能になった。
• PDEの残差に沿ったニューラルネットワークのエンドツーエンド訓練により、人為的に設計された有限差分ステンシルよりも精度と頑健性に優れた最適化された微分近似が得られた。