[論文レビュー] Optimal Low-Rank Dynamic Mode Decomposition

Patrick Héas, Cédric Herzet|arXiv (Cornell University)|Jan 4, 2017

Model Reduction and Neural Networks参考文献 17被引用数 12

ひとこと要約

本論文は、特異値分解（SVD）を用いた閉形式の最適解を、低ランク動的モード分解（DMD）に対して提示する。従来の反復的または仮定に依存する手法に比べて、部分最適性を克服する。線形従属の仮定を必要とせず、正確なランク-k DMD近似を計算可能であり、非線形または非理想的な状況においても、最先端の技術を大きく上回る精度を達成する。

ABSTRACT

Dynamic Mode Decomposition (DMD) has emerged as a powerful tool for analyzing the dynamics of non-linear systems from experimental datasets. Recently, several attempts have extended DMD to the context of low-rank approximations. This extension is of particular interest for reduced-order modeling in various applicative domains, e.g. for climate prediction, to study molecular dynamics or micro-electromechanical devices. This low-rank extension takes the form of a non-convex optimization problem. To the best of our knowledge, only sub-optimal algorithms have been proposed in the literature to compute the solution of this problem. In this paper, we prove that there exists a closed-form optimal solution to this problem and design an effective algorithm to compute it based on Singular Value Decomposition (SVD). A toy-example illustrates the gain in performance of the proposed algorithm compared to state-of-the-art techniques.

研究の動機と目的

• 非凸な低ランクDMD近似問題に対する最適解が存在しないという問題を解決すること。
• スナップショット間の線形従属の仮定に依存しないこと。
• 低次元モデル化に適した計算効率的で解析的に最適なアルゴリズムを開発すること。
• DMDモードと振幅の正確な閉形式計算を可能にするフレームワークを提供すること。

提案手法

• 低ランクDMD問題を非凸最適化として定式化：‖Y − AX‖_F を最小化、ただし rank(A) ≤ k を満たす。
• データ行列 X および Y のSVDを用いて、Eckart-Young定理を適用し、閉形式の解を導出する。
• X のSVDと Y のSVDから得られる射影行列 P を用いて、最適な低ランク行列 Â_k を構築する。
• 2段階のアルゴリズムを採用：まずSVDと行列射影を用いて最適な A⋆_k を計算し、次に低次元行列のSVDによりDMDモードと振幅を抽出する。
• スナップショット間の線形従属に関する仮定や反復的最適化を回避する。
• 低次元行列のSVDから直接DMDモードと振幅を計算可能であり、効率的な低次元モデル化を実現する。

実験結果

リサーチクエスチョン

• RQ1 非凸な低ランクDMD近似問題に対して、閉形式の最適解を導出できるか？
• RQ2 提案手法は、従来の反復的または仮定依存的手法よりも精度と頑健性に優れているか？
• RQ3 反復的最適化や線形従属の制限的仮定なしに、効率的に解を計算できるか？
• RQ4 非線形系において、最適解は、切り捨てられたフルランクDMDや投影DMDと比較してどのように性能を発揮するか？
• RQ5 提案手法は、線形および非線形の両方の系の動的挙動に対して、頑健性を示すか？

主な発見

• 提案アルゴリズムは、全テスト設定において最も低い誤差ノルム ∥Y − Â_kX∥_F を達成し、最適性を確認した。
• 非線形系（設定iii）では、提案手法（a）が投影DMD（c）を著しく上回り、k > 10 の場合に誤差が1000%以上増加した。
• 線形従属の仮定を満たす線形系（設定i）では、提案手法は投影DMD（c）と同等の性能を示し、理想状態下での最適性を確認した。
• 切り捨てられたフルランクDMD解（b）は、k < 30 の場合に著しく性能が劣り、単純な切り捨てによる部分最適性を示した。
• k ≥ r = 30 の場合、すべての手法が真のシステムのランクと一致する低次元部分空間を正しく特定した。これは、本手法の真のシステムランクとの一貫性を裏付けた。
• 反復的最適化や制限的モデリング仮定なしに、最適な性能が達成された。これは、閉形式解が存在することを証明した。