[論文レビュー] Enforcing exact physics in scientific machine learning: a data-driven exterior calculus on graphs

Nathaniel Trask, Andy Huang+1 more|arXiv (Cornell University)|Dec 22, 2020

Model Reduction and Neural Networks参考文献 61被引用数 7

ひとこと要約

本稿では、データから得られる計量情報に基づき、保存則や発散なしの制約といった正確な物理法則を強制するデータ駆動型外微分計算（DDEC）を提案する。組み合わせホッジ理論とニューラルネットワークを組み合わせることで、DDECはPDE制約を機械精度まで満たす物理情報付きの代理モデルを構築する。これは、限られたデータや劣悪な学習条件下でも成立する。

ABSTRACT

As traditional machine learning tools are increasingly applied to science and engineering applications, physics-informed methods have emerged as effective tools for endowing inferences with properties essential for physical realizability. While promising, these methods generally enforce physics weakly via penalization. To enforce physics strongly, we turn to the exterior calculus framework underpinning combinatorial Hodge theory and physics-compatible discretization of partial differential equations (PDEs). Historically, these two fields have remained largely distinct, as graphs are strictly topological objects lacking the metric information fundamental to PDE discretization. We present an approach where this missing metric information may be learned from data, using graphs as coarse-grained mesh surrogates that inherit desirable conservation and exact sequence structure from the combinatorial Hodge theory. The resulting data-driven exterior calculus (DDEC) may be used to extract structure-preserving surrogate models with mathematical guarantees of well-posedness. The approach admits a PDE-constrained optimization training strategy which guarantees machine-learned models enforce physics to machine precision, even for poorly trained models or small data regimes. We provide analysis of the method for a class of models designed to reproduce nonlinear perturbations of elliptic problems and provide examples of learning $H(div)/H(curl)$ systems representative of subsurface flows and electromagnetics.

研究の動機と目的

• 正則化による近似的な方法ではなく、物理法則を正確に強制する機械学習フレームワークの開発。
• データから得られる計量情報を用いて、純粋にトポロジー的なグラフに物理的整合性を付与することで、グラフベースのモデルとPDE離散化の溝を埋める。
• 科学的機械学習における物理的実現可能性に不可欠な正確な系列構造およびホッジラプラシアンの逆可換性構造を保持する。
• 非線形摂動を伴う楕円型PDEに対して、適切に定義された構造保存型の代理モデルを可能にする。
• 訓練の品質やデータ量に依存しない物理的整合性の数学的保証を提供する。

提案手法

• 組み合わせホッジ理論から得られるトポロジー的構造を有するグラフを、粗いメッシュの代理として用いる。
• 高精度なデータから欠落している計量情報を学習し、データ駆動型外微分計算（DDEC）を定義する。
• ストークスの定理を正確に満たす、学習可能な発散および渦度作用素を用いる。
• フラックスをパrameter化するためのニューラルネットワークを用いながら、保存則と正確な系列構造を保持する。
• PDE制約付き最適化を用いて、物理法則を機械精度まで強制するモデルの学習を行う。
• ホッジ分解と作用素の逆可換性を保持することで、非線形楕円型系の適切な定式化を保証する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのモデルは、科学的機械学習において、保存則を近似的にではなく正確に強制できるか？
• RQ2 データから計量情報をどのように学習し、純粋にトポロジカルなグラフに物理的整合性を付与できるか？
• RQ3 データ駆動型外微分計算は、非線形摂動下でも正確な系列構造およびホッジラプラシアンの逆可換性を保持できるか？
• RQ4 小さなデータ環境や劣悪な学習条件下でも、フレームワークは適切な定式化と物理的整合性を維持できるか？
• RQ5 磁気的静的状態や非線形材料法則を有する地下流体の複雑系へと、このアプローチを一般化できるか？

主な発見

• DDECフレームワークは、発散なしの場や保存則といった物理的制約を、訓練が不十分なモデルに対しても機械精度まで正確に強制する。
• 一般条件下で非線形楕円型問題の適切な定式化を維持し、数学的安定性を保証する。
• ダルシー流動問題において、学習された代理モデルは、αの値が変化してもy=0.5に沿った圧力プロファイルを真の解と一致して正確に再現する。
• 磁気的静的状態の問題において、物質界面での磁場の不連続性を正確に捉え、不適切な振動を引き起こさない。
• 単一の非線形モデルを学習することで、複数のα値に対する解を正確に得ることができ、パrameter領域全体にわたる一般化を示した。
• 得られた代理モデルは、訓練収束状態やデータ量に依存しない数学的保証に基づき、安定かつ構造保存型である。