[論文レビュー] Koopman Theory for Partial Differential Equations

J. Nathan Kutz, Joshua L. Proctor+1 more|arXiv (Cornell University)|Jul 24, 2016

Model Reduction and Neural Networks参考文献 1被引用数 14

ひとこと要約

この論文は、動的モード分解（DMD）によるコプマン作用素の近似において、観測関数の選択が極めて重要であることを示すことで、非線形偏微分方程式（PDE）にコプマン理論を適用する。この手法により、バーガース方程式や非線形シュレーディンガー方程式のようなPDEにおける複雑な空間時間的ダイナミクスを低次元的で方程式に依存しない形でモデル化可能となり、適切に選ばれた観測関数によって、弱い非線形性を示す多様体上での物理的に解釈可能な線形的ダイナミクスが得られる。

ABSTRACT

We consider the application of Koopman theory to nonlinear partial differential equations. We demonstrate that the observables chosen for constructing the Koopman operator are critical for enabling an accurate approximation to the nonlinear dynamics. If such observables can be found, then the dynamic mode decomposition algorithm can be enacted to compute a finite-dimensional approximation of the Koopman operator, including its eigenfunctions, eigenvalues and Koopman modes. Judiciously chosen observables lead to physically interpretable spatio-temporal features of the complex system under consideration and provide a connection to manifold learning methods. We demonstrate the impact of observable selection, including kernel methods, and construction of the Koopman operator on two canonical, nonlinear PDEs: Burgers' equation and the nonlinear Schrödinger equation. These examples serve to highlight the most pressing and critical challenge of Koopman theory: a principled way to select appropriate observables.

研究の動機と目的

• 非線形偏微分方程式（PDE）にコプマン作用素理論を拡張し、データ駆動型モデリングを実現すること。
• PDEにおける正確なコプマン作用素近似を可能にする観測関数選択の重要性を特定すること。
• 適切に選ばれた観測関数が非線形多様体上での複雑なダイナミクスを線形化できることを示し、効果的な低次元モデル化を可能にすること。
• コプマンベースのDMDと従来のDMDを、代表的な非線形PDEにおいて比較すること。
• PDE系における非線形多様体学習の一種として、観測関数選択の原則的枠組みを確立すること。

提案手法

• 連続時間動的システムにおける状態空間の観測関数に作用する無限次元線形作用素としてコプマン作用素を形式化する。
• 選択された観測関数を用いて、データからコプマン作用素の有限次元近似を動的モード分解（DMD）により計算する。
• カーネル法と非線形観測関数を用いて、埋め込まれた多様体上での弱い非線形ダイナミクスを捉えるコプマン作用素を構築する。
• コプマン-DMDフレームワークを2つの代表的PDE（バーガース方程式および非線形シュレーディンガー方程式）に適用する。
• コプマン理論とDMDの関係を活用し、方程式に依存しないデータ駆動型の空間時間的一貫構造の同定を可能にする。
• 観測関数の変換（例：バーガース方程式のコール＝ホプフ変換）を用いてダイナミクスを線形化し、近似精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 非線形PDEは本質的に高次元的かつ非線形的であるが、コプマン作用素理論を効果的にPDEに適用する方法は何か？
• RQ2 観測関数の選択が、PDEにおけるコプマンベースの低次元モデルの正確性と解釈可能性に果たす役割は何か？
• RQ3 線形観測関数と比較して、カーネルベースまたは非線形観測関数は、PDEにおけるコプマン作用素の近似を改善できるか？
• RQ4 コプマン-DMDアプローチは、従来のDMDと比較して非線形PDEのダイナミクスをどれほど正確に捉えられるか？
• RQ5 PDEにおいて、非線形多様体上でのダイナミクスを線形化するための原則的で一貫した観測関数選択法は存在するか？

主な発見

• 非線形PDEにおける正確なコプマン作用素近似を達成するうえで、観測関数の選択が最も重要な要因である。
• コール＝ホプフ変換から得られるような適切に選ばれた観測関数は、ダイナミクスを線形化し、非常に正確なコプマン近似をもたらす。
• カーネルベースの観測関数は、正確な解析的線形化が得られない場合でも、PDEにおけるコプマン作用素の有効な近似を可能にする。
• コプマン-DMDフレームワークは、バーガース方程式および非線形シュレーディンガー方程式の両方において、空間時間的一致構造を的確に捉えている。
• この手法により、物理的に解釈可能な固有関数とコプマンモードを有する、方程式に依存しないデータ駆動型のPDEダイナミクスのモデル化が可能になる。
• このアプローチは非線形多様体学習技術として機能し、PDEのダイナミクスを低次元で概ね線形な多様体上に埋め込んでいる。