[論文レビュー] Learning Dissipative Dynamics in Chaotic Systems

Zongyi Li, Miguel Liu-Schiaffini+6 more|arXiv (Cornell University)|Jun 13, 2021

Model Reduction and Neural Networks被引用数 11

ひとこと要約

本稿では、散逸的カオス的系の解作用素を学習するための機械学習フレームワークを提案する。Markovian Neural Operators (MNO) を用い、短時間の軌道予測と長時間の統計的挙動の捉え込みを可能にする。散逸性を強制することで発散や崩壊を防ぎ、乱流状態のKolmogorov流れにおいてReynolds数5000までに不変測度の高精度な予測を達成する。

ABSTRACT

Chaotic systems are notoriously challenging to predict because of their sensitivity to perturbations and errors due to time stepping. Despite this unpredictable behavior, for many dissipative systems the statistics of the long term trajectories are governed by an invariant measure supported on a set, known as the global attractor; for many problems this set is finite dimensional, even if the state space is infinite dimensional. For Markovian systems, the statistical properties of long-term trajectories are uniquely determined by the solution operator that maps the evolution of the system over arbitrary positive time increments. In this work, we propose a machine learning framework to learn the underlying solution operator for dissipative chaotic systems, showing that the resulting learned operator accurately captures short-time trajectories and long-time statistical behavior. Using this framework, we are able to predict various statistics of the invariant measure for the turbulent Kolmogorov Flow dynamics with Reynolds numbers up to 5000.

研究の動機と目的

• 初期条件への感度のため、正確な軌道予測が不可能なカオス的・散逸的系において、長期間の統計的挙動を予測する課題に対処すること。
• カオス的PDEの解作用素を学習するデータ駆動型フレームワークを開発し、散逸的構造と不変測度を保存すること。
• 学習済み作用素の長期間安定性を、散逸性を明示的に強制することで保証すること——これは、従来の学習済み解作用素では達成されていなかった性質である。
• 従来の手法が失敗する高Reynolds数乱流系（例：Kolmogorov流れ）において、本手法の有効性を実証すること。
• 真の系の散逸的性質を継承する神経作用素の理論的根拠に基づいた普遍的近似フレームワークを提供すること。

提案手法

• 初期状態を固定時間ステップ h 後の解に写像するMarkovian Neural Operator (MNO) を学習し、局所的なデータのみを用いる。
• MNOは真の解作用素 S_h を近似するように訓練され、神経作用素の普遍的近似定理により誤差境界が確立される。
• 散逸性は、有界集合をコンact部分集合へ写像するようにMNOを制約することで強制され、長期間の安定性とアトラクターへの収束が保証される。
• 解作用素は繰り返し合成され、真の系のMarkov半群性質を活用して長時間ダイナミクスをシミュレートする。
• 神経作用素を用いて無限次元関数空間における時間発展をモデル化し、PDEダイナミクスの効率的学習を可能にする。
• 将来的な方向として、O(h) の誤差率と無限時間近似境界を達成するための連続的定式化が提案される。

実験結果

リサーチクエスチョン

• RQ1 学習済み解作用素は、カオス的・散逸的PDEの短時間軌道と長期間統計的性質の両方を高精度に捉えることができるか？
• RQ2 長期間シミュレーションにおける数値的発散や崩壊を防ぐために、学習済みニューラル作用素に散逸性をどのように明示的に強制できるか？
• RQ3 ニューラル作用素は、Kolmogorov流れのようなカオス的系の不変測度とグローバルアトラクターをどの程度正確に近似できるか？
• RQ4 カオス的系の固有の不安定性にもかかわらず、無限時間ホライズンにまで拡張可能であり、誤差境界が保証されるか？
• RQ5 MNOフレームワークは、高Reynolds数乱流系において理論的・実験的両面でどの程度の性能を示すか？

主な発見

• MNOフレームワークは、Reynolds数5000までに乱流状態のKolmogorov流れの不変測度を高精度に予測し、長期間の統計的挙動を的確に再現した。
• わずかな誤差が反復的に蓄積されても、MNOは発散や崩壊を示さず、長期間の時間スケールでも安定性を維持した。
• 従来の数値スケーラーよりも数桁速い推論速度を達成しながら、低誤差を維持した。
• 理論的分析により、MNOは真の系の散逸的構造を継承できることが示され、グローバルアトラクターへの収束が保証された。
• 実験的結果により、MNOは正確な軌道がカオス的性質により発散する場合でも、真のアトラクターを高い忠実度で近似することが確認された。
• 本研究は、散逸性を保証するという定義において、学習済み解作用素に原理的かつデータ駆動的なアプローチを提供した。これは、この分野の文献において初の試みである。