[論文レビュー] Machine Learning for Partial Differential Equations

Steven L. Brunton, J. Nathan Kutz|arXiv (Cornell University)|Mar 30, 2023

Model Reduction and Neural Networks被引用数 12

ひとこと要約

機械学習が偏微分方程式（PDE）研究をどのように進展させるかに関する包括的なレビューであり、支配方程式の発見、有効な座標系と縮約オーダーモデルの学習、数値PDEソルバーを改善する解演算子の学習を含む。

ABSTRACT

Partial differential equations (PDEs) are among the most universal and parsimonious descriptions of natural physical laws, capturing a rich variety of phenomenology and multi-scale physics in a compact and symbolic representation. This review will examine several promising avenues of PDE research that are being advanced by machine learning, including: 1) the discovery of new governing PDEs and coarse-grained approximations for complex natural and engineered systems, 2) learning effective coordinate systems and reduced-order models to make PDEs more amenable to analysis, and 3) representing solution operators and improving traditional numerical algorithms. In each of these fields, we summarize key advances, ongoing challenges, and opportunities for further development.

研究の動機と目的

• 複雑な系の新しいPDEの学習と粗視化された閉じ込みを促進するためにMLの利用を動機づける。
• PDEのための有効な座標系と縮約オーダ表現の学習を探る。
• 解演算子の表現と従来の数値PDE手法の改善を検討する。

提案手法

• データから支配項を特定するためのPDE発見のスパース・シンボリック回帰（例：PDE-FIND）。
• PDE発見におけるノイズ耐性を高めるための弱形式とアンサンブル手法。
• Koopman演算子ベースの手法とニューラルネット埋め込みによって、線形化座標を見つける。
• POD、オートエンコーダ、データ駆動ダイナミクス（SINDy、DMD、Galerkin回帰）を用いた縮約オーダーモデリング。
• Neural operatorsとDeepOnetを用いて、逆演算子とメッシュフリー解法写像を学習。
• 学習された導関数、改善されたス stencil、データ駆動の粗化によって数値PDEソルバーを加速させる戦略。

実験結果

リサーチクエスチョン

• RQ1 PDEをデータから直接学習して新しい物理法則や粗視化された閉じ込みを発見できるのか？
• RQ2 非線形PDEを線形または単純化されたダイナミクスで扱うことを可能にする座標系や表現は何か？
• RQ3 関数空間を別の関数空間へ写像する演算子をどう学習して、メッシュフリーの解法伝搬を可能にするか？
• RQ4 精度と計算コストのバランスを取る効果的なデータ駆動縮約オーダーモデルは何か？
• RQ5 物理情報を取り入れた学習が従来の数値PDEワークフローと不確実性伝播をどう改善できるか？

主な発見

• PDE-FINDとそのPDE固有のスパース回帰は、古典的なPDEの再発見と新しいモデル・閉じ込みの発見を可能にする。
• 弱形式の定式化はPDE発見におけるノイズ耐性とデータ効率を向上させ、アンサンブルは信頼性をさらに高める。
• Koopmanベースの座標と深層学習埋め込みは、非線形PDEダイナミクスを線形化または単純化した表現を可能にする。
• 縮約オーダーモデリングは、非線形多様体とデータ駆動ダイナミクスを組み合わせて実現可能なシミュレーションを達成する。
• Neural operatorsとDeepOnetは、離散化に不変で、関数空間間のメッシュフリー写像を提供する、演算子学習の枠組み。
• Neural operatorsおよび関連手法は、数値PDE解法を加速し、ソルバーの条件づけを改善する枠組みを提供する。