[論文レビュー] Deep Conservation: A latent-dynamics model for exact satisfaction of physical conservation laws

Kookjin Lee, Kevin Carlberg|arXiv (Cornell University)|Sep 21, 2019

Generative Adversarial Networks and Image Synthesis被引用数 5

ひとこと要約

この論文では、非線形次元削減のためのディープ畳み込みオートエンコーダと、物理的保存則（質量、運動量、エネルギーなど）を正確に強制する制約付き最適化フレームワークを組み合わせた、潜在的力学モデルであるDeep Conservationを提案する。本手法は、有限体積離散化における制御体積ごとの保存則違反の二乗和を最小化する制約付き最小二乗問題を解くことで、所定の部分領域上で保存則の正確な満たしを保証し、データ駆動型および射影ベースの手法よりも物理的整合性を高く維持する。

ABSTRACT

This work proposes an approach for latent-dynamics learning that exactly enforces physical conservation laws. The method comprises two steps. First, the method computes a low-dimensional embedding of the high-dimensional dynamical-system state using deep convolutional autoencoders. This defines a low-dimensional nonlinear manifold on which the state is subsequently enforced to evolve. Second, the method defines a latent-dynamics model that associates with the solution to a constrained optimization problem. Here, the objective function is defined as the sum of squares of conservation-law violations over control volumes within a finite-volume discretization of the problem; nonlinear equality constraints explicitly enforce conservation over prescribed subdomains of the problem. Under modest conditions, the resulting dynamics model guarantees that the time-evolution of the latent state exactly satisfies conservation laws over the prescribed subdomains.

研究の動機と目的

• データ駆動型潜在的力学モデルが、事前物理的制約が欠如しているため物理的保存則に違反するという限界を解消すること。
• 線形埋め込みによる次元削減の制限を、ディープ畳み込みオートエンコーダを用いた非線形埋め込みによって克服すること。
• 教師あり学習や損失関数に基づく近似に依存せずに、低次元モデルにおける保存則の正確な満たしを保証するフレームワークを開発すること。
• 非線形多様体学習と物理情報付き射影の利点を組み合わせ、有限体積離散化における制約付き最適化によって保存則を強制すること。
• 質量、運動量、エネルギーの保存といった重要な物理的性質を保持しつつ、時間的制約のある応用分野における高速かつ高精度なシミュレーションを可能にするモデル還元手法を提供すること。

提案手法

• 本手法は、高次元動的システム状態の非線形的かつ低次元の埋め込みを学習するため、ディープ畳み込みオートエンコーダを用いる。これにより、状態が潜在空間にマッピングされる。
• 潜在的力学は、有限体積離散化における制御体積全体にわたる保存則違反の二乗和を最小化するという目的関数を持つ制約付き最適化問題の解として定式化される。
• 非線形等式制約がユーザー定義の部分領域上で保存則を明示的に強制し、低次元モデルにおける物理法則の正確な満たしを保証する。
• 最適化問題を各タイムステップで解くことで、潜在状態の時間発展が計算され、力学が元の保存則と一貫したままであることが保証される。
• 本手法は、積分形で記述された支配ODEおよびその有限体積離散化を事前に知っているものと仮定しており、学習された非線形多様体への物理的射影が可能になる。
• 本手法は、流体動力学（例：Euler方程式や非粘性Burgers方程式）など保存則に従う系に適用可能であり、パrametric変化を伴う1次元非粘性Burgers方程式で検証されている。

実験結果

リサーチクエスチョン

• RQ1 非線形多様体を用いた次元削減と併せて、質量、運動量、エネルギーといった物理的保存則を正確に強制できる潜在的力学モデルを構築できるか？
• RQ2 提案された制約付き最適化フレームワークは、標準的なガレルキン射影やデータ駆動型学習と比較して、保存性をどの程度高めるか？
• RQ3 ディープ畳み込みオートエンコーダは、複雑な物理的系の内面的力学をどの程度正確に捉えることができ、低次元モデルで正確な保存を実現できるか？
• RQ4 制約付き最適化による保存則の強制は、パrametric PDEの低次元モデルにおける精度と安定性にどのような影響を与えるか？
• RQ5 異なるパrameterインスタンスに対しても、正確な保存を維持しつつ、潜在空間における異なる軌道を予測できるか？

主な発見

• 提案されたDeep Conservation手法は、ある程度の条件下で、所定の部分領域上で保存則を正確に満たし、低次元モデルにおける物理的整合性を保証する。
• 異なるパrameterインスタンスの潜在的軌道は、3次元潜在空間において明確に分離しており、モデルがパラメトリック感度を保持していることが示された。
• 損失関数や保存則を近似するニューラルネットワークアーキテクチャに依存しないため、標準的なデータ駆動型およびガレルキンベースの低次元モデルよりも、正確な保存を保証する点で優れている。
• ディープ畳み込みオートエンコーダの使用により、効果的な非線形次元削減が可能であり、ネットワーク容量が閾値未満に低下すると性能が劣化する。
• 長時間シミュレーションにおいても、保存則の正確な満たしが一貫して維持され、すべてのテストケースで保存則の満たしが安定に保たれた。
• 本フレームワークはパラメトリック変動に対して頑健であり、異なるパrameter値に対して明確に分離された潜在的軌道が得られ、モデルがパラメトリック依存性を正しく捉えていることが確認された。