[論文レビュー] Data-Driven Identification of Quadratic Representations for Nonlinear Hamiltonian Systems using Weakly Symplectic Liftings

Süleyman Yıldız, Pawan Goyal+2 more|arXiv (Cornell University)|Aug 2, 2023

Model Reduction and Neural NetworksPhysics and Astronomy被引用数 3

ひとこと要約

本稿では、弱いシンプレクティック自己符号化器を用いて状態空間を拡張することで、非線形力学系の二次ハミルトニアン系をデータ駆動で同定するフレームワークを提案する。構造を保存する低複雑性のモデリングが可能となり、長期安定性を達成し、変換された座標における学習された三次ハミルトニアンを用いて、低次元および高次元の両方の系で正確な動的挙動を再現する。

ABSTRACT

This repository contains the Python implementation using the PyTorch framework to learn Quadratic Hamiltonian systems.

研究の動機と目的

• 元の式が分かっていない状態でも、軌道データから二次ハミルトニアン系をデータ駆動で同定する手法を開発すること。
• 三次ハミルトニアンの定式化を通じて、モデルの複雑さを最小限に抑えながら、拡張された座標系でハミルトニアン構造を強制すること。
• シンプレクティック構造を保存する低次元の潜在的動的を学習することで、高次元ハミルトニアン系の次元削減を可能とすること。
• 構造を保存する学習により、未学習の初期条件における長期的安定性と正確な外挿挙動を保証すること。
• 弱く強制されたシンプレクティック変換と強く強制されたハミルトニアン動的を組み合わせることで、非侵襲的で非線形なモデル次数低減を実現すること。

提案手法

• ニューラルネットワークベースの自己符号化器を用いて、元の状態空間を高次元の座標系に写像し、その上で動的が二次的になるようにする。
• 損失関数における正則化項を通じて、写像がシンプレクティック形式を概ね保存するように、変換のシンプレクティック構造を弱く強制する。
• 拡張空間における三次ハミルトニアン関数を学習し、これにより二次的動的が得られることで、低複雑性のモデリングが可能になる。
• 訓練の安定性と再構成精度を向上させるために、スキップ接続とSELU活性化関数を備えた深層ニューラルネットワークアーキテクチャを採用する。
• 再構成誤差、シンプレクティシティ正則化、およびハミルトニアン構造強制による動的整合性を組み合わせた複合損失関数を用いて、自己符号化器をエンドツーエンドで訓練する。
• 高次元データに対しては、同じフレームワークを適用して低次元の潜在空間を学習し、効率的かつ構造を保存するモデル次数低減を実現する。

Figure 3.1 : The auto-encoder structure of the symplectic lifting method. Here, the encoder $\psi:\mathbb{R}^{2n}\to\mathbb{R}^{2N}$ is weakly enforced to be a symplectic mapping and the quadratic system is enforced to be Hamiltonian.

実験結果

リサーチクエスチョン

• RQ1 非線形ハミルトニアン系は、拡張された座標空間において二次系として効果的に表現可能か？
• RQ2 データ駆動の自己符号化器において、力学の幾何的性質を保存するために、シンプレクティック構造をどのように弱く強制できるか？
• RQ3 拡張空間における三次ハミルトニアンは、低複雑性かつ安定な二次的力学系を生み出せるか？
• RQ4 このフレームワークは、未学習の初期条件からの長期的外挿挙動をどの程度正確に可能にするか？
• RQ5 特に、構造を保存しつつ次元削減を実現する観点から、この手法は高次元ハミルトニアン系に対してどの程度有効か？

主な発見

• 本手法は、データから二次ハミルトニアン動的を効果的に学習し、学習期間を超えた外挿挙動においても長期的安定性を達成した。
• 低次元系では、動的が二次的でハミルトニアンが三次的である4次元の拡張空間を同定でき、低モデル複雑性を保証した。
• 非線形シュレーディンガー方程式や波動方程式などの高次元系において、本手法はシンプレクティック構造を保存する2または4次元の潜在空間を学習し、正確な動的予測を可能にした。
• 弱いシンプレクティック自己符号化器は、再構成、シンプレクティシティ、動的整合性の各損失の低下がバランス良く実現され、実験的に調整されたハイパーパrameterを用いて達成された。
• 本モデルは未学習の初期条件に対しても良好に一般化し、類似したデータ分布下での軌道予測において、頑健性を示した。
• 本手法により、元の系の式が不明な状態でも、データから直接潜在的動的を学習することで、非侵襲的かつ構造を保存するモデル次数低減が実現された。

Figure 4.1 : The auto-encoder structure of the symplectic reduction method. Here, the decoder $\phi:\mathbb{R}^{2n}\to\mathbb{R}^{2N}$ is weakly enforced to be a symplectic mapping and the quadratic system is enforced to be Hamiltonian.