[論文レビュー] Inverse problems for history-enriched linear model reduction

Arjun Vijaywargiya, George Biros|arXiv (Cornell University)|Jan 11, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

この論文は線形駆動系に対して Mori-Zwanzig による厳密な History-enriched reduced models を導出し、データから memory と noise 演算子を学習する逆問題を定式化し、貪欲な時間進行解法と適切性解析を提供する。

ABSTRACT

Standard projection-based model reduction for dynamical systems incurs closure error because it only accounts for instantaneous dependence on the resolved state. From the Mori-Zwanzig (MZ) perspective, projecting the full dynamics onto a low-dimensional resolved subspace induces additional noise and memory terms arising from the dynamics of the unresolved component in the orthogonal complement. The memory term makes the resolved dynamics explicitly history dependent. In this work, based on the MZ identity, we derive exact, history-enriched models for the resolved dynamics of linear driven dynamical systems and formulate inverse problems to learn model operators from discrete snapshot data via least-squares regression. We propose a greedy time-marching scheme to solve the inverse problems efficiently and analyze operator identifiability under full and partial observation data availability. For full observation data, we show that, under mild assumptions, the operators are identifiable even when the full-state dynamics are governed by a general time-varying linear operator, whereas with partial observation data the inverse problem has a unique solution only when the full-state operator is time-invariant. To address the resulting non-uniqueness in the time-varying case, we introduce a time-smoothing Tikhonov regularization. Numerical results demonstrate that the operators can be faithfully reconstructed from both full and partial observation data and that the learned history-enriched MZ models yield accurate trajectories of the resolved state.

研究の動機と目的

• 未解決モードからのメモリとノイズを考慮した縮約ダイナミクスの closure モデル化を動機づける。
• スナップショットデータから Mori-Zwanzanji 演算子を学習する逆問題を定式化する。
• 逆問題を効率的に解く貪欲な時間進行アルゴリズムを開発する。
• 完全データと部分データの下で演算子の識別可能性を分析する。
• 部分データ下での不適定性を安定化させる正則化を提案する。

提案手法

• 線形ダイナミカル系に対する Mori-Zwanzing の同一性を導出し、解決変数の Volterra 积分微分方程式を得る。
• スナップショットデータから Markovian 演算子 R、memory kernel K、noise 演算子 B を回復する連続・離散の逆問題を定式化する。
• 因果関係に基づく低三角構造を利用して、時間ごとにカーネルを解く貪欲な時間進行の最小二乗スキームを提案する。
• カーネルを時間差 t-s に依存させる平行性のある定常性仮定を提供し、識別を扱いやすくする。
• 完全データ問題は良性であるが、部分データ問題は A が時刻不変である場合にのみ良性とされ、病的な場合には時間平滑化正則化を導入する。
• 有限メモリ近似と非定常カーネルの考慮と、それらが識別性に及ぼす影響を議論する。

Figure 1 : (a) True and predicted trajectories for two degrees of freedom (selected as the resolved variables) for a one-dimensional advection equation with periodic boundary conditions. Predictions are shown for a data-driven Markovian model and a data-driven MZ model ( 1.2 ). (b) Absolute error in

実験結果

リサーチクエスチョン

• RQ1 完全観測下でのスナップショットデータから Mori-Zwanzanji の Markovian、memory、noise 演算子を一意に識別可能か。
• RQ2 部分的な状態観測しか利用できない場合のこれらの演算子の識別可能性と安定性条件は何か。
• RQ3 時変 vs 時不変の全状態演算子 A が逆問題の解法性にどう影響するか。
• RQ4 貪欲な時間進行アプローチは逆問題に対して実用的な解法を与え、証明可能な性質を持つか。
• RQ5 病的な部分データ状況での再構成を安定化させる正則化戦略は何か。

主な発見

• 時刻不変な A の場合、R、B、K は全データ・部分データの双方で一意に回収可能である。
• 時変な A の場合、全データでは R と K は一意に回収可能だが、部分データでは病的になる。A が時不変である場合にのみ安定性を回復でき、時刻平滑化正則化が安定性を取り戻す。
• 貪欲な時間進行スキームは、各時間ステップで独立または逐次的な最小二乗問題を解くことで効率的な再構成を可能にする。
• 数値実験は、完全データ・部分データの両方から MZ 演算子の忠実な再構成と、History-enriched モデルによる軌道予測の精度を示す。
• 学習された History-enriched MZ モデルは、テストシナリオにおける解像ダイナミクスを捕捉する点で純粋な Markovian モデルより優れている。

Figure 3 : Predicted trajectories of the resolved variables in all the reaction-diffusion-advection test cases for a single test initial condition. The trajectories are obtained by solving ( 1.2 ), with operators $\mathord{\btensor R}$ , $\mathord{\btensor K}$ , and $\mathord{\btensor B}$ reconstruc