[論文レビュー] Hyper-reduction-free reduced-order Newton solvers for projection-based model-order reduction of nonlinear dynamical systems

Liam Magargal, Parisa Khodabakhshi+1 more|arXiv (Cornell University)|Mar 3, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

この論文は、ハイパーリダクション不要（HRF）な reduced Newton ソルバーを多項式非線形ダイナミカルシステムに導入し、残差とヤコビ行列のオフライン事前計算を可能にし、Galerkin および LSPG 投影に対して hyper-reduction なしの高速化を実現します。

ABSTRACT

This study proposes an intrusive projection-based model-order reduction framework for nonlinear problems with a polynomial structure, solved iteratively using a Newton solver in the reduced space. It is demonstrated that for the targeted class of polynomial nonlinearities, all operators appearing in the projected approximate residual and Jacobian can be precomputed in the offline phase, eliminating the need for hyper-reduction. Additionally, the evaluation of both the projected approximate residual and its Jacobian scales only with the dimension of the reduced space, and does not depend on the dimension of the full-order model, enabling effective offline-online decomposition. The proposed hyper-reduction-free (HRF) framework is applied to both Galerkin (HRF-G) and least-squares Petrov-Galerkin (HRF-LSPG) projection schemes. The accuracy and computational efficiency of the proposed HRF schemes are evaluated in two numerical experiments and compared with a commonly used hyper-reduction scheme, namely the energy-conserving sampling and weighting method, for both the Galerkin and LSPG schemes. In the first numerical example, a parametric Burgers' equation is used to assess the predictive capabilities of the considered model reduction approaches on parameter sets not seen in the training snapshots. In the second example, a parametric heat equation with a cubic reaction term is studied, for which a lifting transformation is employed to expose the desired structure. The efficacy of the HRF methods in accurately reducing the dimensionality of the lifted formulation is investigated. For the studied problems, the results show that HRF-G and HRF-LSPG achieve two and one order of magnitude speedup, respectively, with respect to the full-order model while resulting in state prediction errors below O(10^-2).

研究の動機と目的

• 非線形多項式システムの intrusively projection-based model-order reduction (PMOR) を動機づける。
• ハイパーリダクション不要 (HRF) の Galerkin および LSPG Newton ソルバーを開発し、オフラインで縮小演算子を事前計算する。
• HRF 法が従来のハイパーリダクション手法と比較してオンラインコストを削減しつつ精度を保つことを Demonstrate する。
• オフライン–オンライン分解の利点を示すため、パラメトリック Burgers’ および 立方反応熱方程式で性能を評価する。

提案手法

• 全秩序モデルを、投影に適した多項式非線形項（2 次形式および双線形形式を含む）で表現する。
• HRF フレームワーク内で残差とそのヤコビ行列の低次元表現を明示的に導出する（式 (4)-(9)）。
• Kronecker 積とリフティングが演算子を再配置する方法を示し、縮小演算子が ROM 次元 n のみに依存し、FOM 次元 N には依存しなくなる（式 (10)-(15)）。
• HRF を Galerkin (HRF-G) および LSPG (HRF-LSPG) 投影スキームに適用し、ハイパーリダクションを必要としないオフライン–オンライン分解を実現する。
• HRF-G および HRF-LSPG を、それぞれ Galerkin-ROM、LSPG-ROM、ECSW ベースのハイパーリダクションと、2つの数値実験で比較する。
• ニュートン法は残差最小化と固定ステップ長（γ = 1）および収束許容度（κ_res = 1e-6）で用いる。

実験結果

リサーチクエスチョン

• RQ1 ハイパーリダクション不要（HRF）縮小ニュートンソルバーを構築して、多項式非線形ダイナミカルシステムに対してハイパーリダクション誤差を回避できるか。
• RQ2 HRF-G および HRF-LSPG は、ECSW ベースのハイパーリダクションと同等以上のオフライン–オンラインの高速化を達成しつつ精度を維持できるか。
• RQ3 リフティング変換は higher-order 多項式非線形性を HRF に適合する2次形式へ変換することで、HRF アプローチを拡張するのにどのように役立つか。
• RQ4 パラメトリック変動下で、Galerkin および LSPG 投影の HRF と従来のハイパーリダクション手法との間で、性能のトレードオフはどのようになるか。

主な発見

• HRF-G および HRF-LSPG は、full-order model に対してそれぞれ2桁および1桁のオーダーの速度向上を達成する。
• HRF 手法は、研究対象の問題で状態予測誤差をおよそ 10^-2 以下に抑える。
• Burgers’ 方程式のテストケースでは、HRF-G は ECSW-G より計算効率が高い場合がある。
• 両方の HRF 手法は、ハイパーリダクションに伴う近似を排除しつつ精度を保つ。
• リフティング変換により、HRF に適した二次形式へ変換することで、高次の非線形性を扱えるようにする（リフティングを介して）ことが可能になる。