[論文レビュー] Learning Interface Conditions in Domain Decomposition Solvers

Ali Taghibakhshi, Nicolas Nytko+4 more|arXiv (Cornell University)|May 19, 2022

Model Reduction and Neural Networks被引用数 6

ひとこと要約

本稿では、非構造格子上における領域分割ソルバーの最適界面条件を学習するためのグラフ畳み込みニューラルネットワーク（GCNN）ベースの手法を提案する。新規の非教師付き損失関数を用い、誤差伝搬作用素の固有値半径を最小化することで、線形計算量の複雑性を達成し、構造的でない部分領域やフーリエ解析を必要としない非構造格子上でも、古典的RAS法や最適化ORAS法を上回る収束性を示す。

ABSTRACT

Domain decomposition methods are widely used and effective in the approximation of solutions to partial differential equations. Yet the optimal construction of these methods requires tedious analysis and is often available only in simplified, structured-grid settings, limiting their use for more complex problems. In this work, we generalize optimized Schwarz domain decomposition methods to unstructured-grid problems, using Graph Convolutional Neural Networks (GCNNs) and unsupervised learning to learn optimal modifications at subdomain interfaces. A key ingredient in our approach is an improved loss function, enabling effective training on relatively small problems, but robust performance on arbitrarily large problems, with computational cost linear in problem size. The performance of the learned linear solvers is compared with both classical and optimized domain decomposition algorithms, for both structured- and unstructured-grid problems.

研究の動機と目的

• 構造的でない部分領域や不規則な部分領域幾何形状のため、フーリエ解析に依存する古典的手法が失敗する非構造格子上への最適化 Schwarz 領域分割法の拡張。
• 構造格子を必要とし、界面条件の解析的導出を要する従来の最適化 Schwarz 法の限界を克服すること。
• 小規模問題から学習した最適界面条件を、計算コストが線形増加となる大規模問題へ一般化できる機械学習フレームワークの開発。
• 非教師付き学習により、グラフ構造問題上で誤差伝搬の挙動から学習することで、PDEの反復ソルバーの収束性を向上させること。
• 学習されたプリコンディショナが、非構造的・不規則領域上において、古典的RAS法および理論的ORAS法を上回ることの実証。

提案手法

• 領域分割法における部分領域境界の最適界面値を予測するため、グラフ畳み込みニューラルネットワーク（GCNN）を訓練する。
• 損失関数は、Frobeniusノルムではなく、誤差伝搬作用素の固有値半径を確率的に最小化するように設計されており、これにより収束性能が向上する。
• 過剰な平滑化を回避するため、TAGConv層と残差ブロックを組み合わせた残差ベースのGCNNアーキテクチャを採用し、深層学習を可能にする。
• 訓練は小規模な問題インスタンス（n < 1000ノード）で実施され、その結果得られたモデルは大規模問題へも効果的に一般化され、計算量は線形増加となる。
• フレームワークは構造格子および非構造格子の両方へ適用可能であり、FGMRESプリコンディショナおよび定常反復法の収束性を用いて評価される。
• アプローチは非教師付きである：真の界面条件は必要とせず、反復ソルバーの誤差伝搬挙動からネットワークが学習する。

実験結果

リサーチクエスチョン

• RQ1 古典的手法が適用できない非構造格子上における領域分割ソルバーの最適界面条件を、機械学習モデルが学習可能か？
• RQ2 誤差伝搬作用素の固有値半径に基づく損失関数は、Frobeniusノルムに基づくものよりも、GCNNによる反復ソルバーの学習で優れた性能を示すか？
• RQ3 小規模問題で訓練されたモデルは、計算コストが線形増加となる大規模問題へ一般化可能か？
• RQ4 学習されたソルバーの性能は、非構造格子上における古典的RAS法および理論的ORAS法と比較してどうか？
• RQ5 アーキテクチャ的選択（例：残差ブロック、層数）は、GCNNベースの領域分割法における一般化性と収束性を最大化するか？

主な発見

• 提案されたMLORAS法は、非構造格子上すべてのテストグリッドにおいて、RAS法と同等に定常ソルバーおよびFGMRESプリコンディショナとして一貫して優れた性能を示し、最大2600ノードの大規模問題でも同様に有効である。
• 固有値半径に基づく損失関数は、Frobeniusノルムを最適化したモデルに比べ、誤差伝搬行列のFrobeniusノルムが高くなるにもかかわらず、優れた収束速度を達成する。
• Frobeniusノルムの直接最適化は、最小のFrobeniusノルムを達成するが、収束性能は最悪であり、Frobeniusノルムがソルバー性能の良い代理指標でないことを確認する。
• アブレーションスタディの結果、残差ブロックの長さを延ばすことで性能が向上する一方、TAGConv層を4層以上に増やすと過剰な平滑化が生じ、性能が低下することが判明した。
• 最適なアーキテクチャ（8個の残差ブロック、4層のTAGConv層）は、深さと一般化性のバランスを最良に保ち、複数回の訓練実行において一貫した性能を示した。
• 本手法は問題サイズに比例して線形にスケーリングされ、小規模なインスタンスでの訓練にもかかわらず、大規模問題への効率的な評価が可能である。