[論文レビュー] Manifold learning techniques and model reduction applied to dissipative PDEs

Benjamin E. Sonday, Amit Singer+2 more|arXiv (Cornell University)|Nov 23, 2010

Model Reduction and Neural Networks参考文献 44被引用数 4

ひとこと要約

本稿では、反復マップに基づく多様体学習とガレルキン射影を組み合わせることで、散逸型PDEのためのデータ駆動型モデル還元フレームワークを提案する。シミュレーションデータから慢性的な多様体の内在的幾何を学習することで、従来のPODガレルキン法よりも次元が低く、剛性が小さい還元モデルを構築し、反応拡散PDEの長期的ダイナミクスを高精度に捉えることを示した。

ABSTRACT

We link nonlinear manifold learning techniques for data analysis/compression with model reduction techniques for evolution equations with time scale separation. In particular, we demonstrate a `"nonlinear extension" of the POD-Galerkin approach to obtaining reduced dynamic models of dissipative evolution equations. The approach is illustrated through a reaction-diffusion PDE, and the performance of different simulators on the full and the reduced models is compared. We also discuss the relation of this nonlinear extension with the so-called "nonlinear Galerkin" methods developed in the context of Approximate Inertial Manifolds.

研究の動機と目的

• 時間スケール分離を示す散逸型PDEにおける非線形多様体学習技術とモデル還元を統合すること。
• 慢性的な多様体が本質的に曲がっており、かつ低次元的ではあるが線形でない場合に、線形モデル還元（例：PODガレルキン）の限界を克服すること。
• 古典的ガレルキン射影の非線形代替として、データベースの非線形手法を提案し、慢的多様体の真の幾何を捉えること。
• 拡散マップを用いて慢的ダイナミクスの最小で内在的な座標系を特定することで、モデルの剛性と次元を低減すること。
• 学習された多様体座標から導かれた還元動的システムにより、複雑なPDEの効率的シミュレーションと解析を可能にすること。

提案手法

• 全PDE解から抽出された軌道のデータ集合から、慢的多様体の内在的低次元幾何を学習するために拡散マップ（DMAP）を用いる。
• 各座標の重要性を示す固有値を伴う、多様体の内在的構造を保持する非線形埋め込みとしてのDMAP座標を計算する。
• 全状態解をDMAP座標から補間するニストローム拡張を用い、還元座標から物理空間状態の再構成を可能にする。
• PDEのダイナミクスをDMAP基底へガレルキン射影することで、学習された多様体座標における還元動的システムを導出する。
• 逆ニストローム写像（多項式補間を介して）を用い、還元座標を物理空間へ再マップすることで、初期条件の再構成とシミュレーションを可能にする。
• 精度と剛性の観点から、DMAPに基づく還元モデルと標準的なPODガレルキン法および非線形ガレルキン法の性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 拡散マップに基づく多様体学習は、散逸型PDEにおける慢的多様体の内在的低次元幾何を効果的に特定できるか？
• RQ2 長期的ダイナミクスにおいて、DMAPに基づく還元モデルはPODガレルキン法および非線形ガレルキン法と比べて精度と剛性で優れているか？
• RQ3 線形PODモードではなく非線形多様体座標を用いることで、還元モデルの次元をどの程度低減できるか？
• RQ4 ニストローム拡張は、明示的な全モデル評価なしに学習された多様体上で動的シミュレーションを可能にする役割を果たすか？
• RQ5 拡散マップのパラメータ（例：ε）の選択およびデータのサンプリング密度に、この手法はどの程度感度を示すか？

主な発見

• 最初の2つのDMAP座標は、慣性多様体上での最初の2つのフーリエモードと同相であり、特異でないヤコビアンを持つことが確認され、本手法が真の内在的幾何を回復できることを裏付けた。
• DMAP固有値は、2番目の非自明な固有値（1.0, 0.8477, 0.7504, ...）以降で急激に減少し、慢的多様体が実質的に2次元的であることを示した。
• DMAPに基づく還元モデルは、全モデルよりも剛性が低く、シミュレーションが高速であった。これは、多様体のより簡潔なパrametrizationに起因する計算上の利点であった。
• 逆ニストロームを用いた補間された多様体における誤差は、定常状態およびEulerガレルキン近似慣性多様体の誤差よりも顕著に低く、図7で示された。
• 線形手法が失敗する極めて非線形な多様体に対しても、本手法は反応拡散PDEの長期的ダイナミクスを高精度に捉えることに成功した。
• 短い物理空間積分からの時間微分の推定により、DMAP空間でガレルキンフリーのシミュレーションが可能となり、明示的な右辺計算への依存が低減された。