[論文レビュー] Parametric Dynamic Mode Decomposition for Reduced Order Modeling

Quincy Huhn, Mauricio Tano+2 more|arXiv (Cornell University)|Apr 26, 2022

Model Reduction and Neural Networks被引用数 5

ひとこと要約

本論文は、パラメトリック動的モード分解（DMD）に基づき、複数パラメータ問題を扱うために2つの新しい非侵襲的低次元モデル化（ROM）手法—rEPI および rKOI—を提案する。スナップショットを積み重ねる代わりに、Koopman固有ペアまたはオペレータ成分を補間することで、パラメータ数に伴うスケーリングが効率的になり、時間および物理フィールド全体で1%未満のL₂誤差を達成する。これは、最新の積み重ねDMD手法を上回る精度と計算速度を実現する。

ABSTRACT

Dynamic Mode Decomposition (DMD) is a model-order reduction approach, whereby spatial modes of fixed temporal frequencies are extracted from numerical or experimental data sets. The DMD low-rank or reduced operator is typically obtained by singular value decomposition of the temporal data sets. For parameter-dependent models, as found in many multi-query applications such as uncertainty quantification or design optimization, the only parametric DMD technique developed was a stacked approach, with data sets at multiples parameter values were aggregated together, increasing the computational work needed to devise low-rank dynamical reduced-order models. In this paper, we present two novel approach to carry out parametric DMD: one based on the interpolation of the reduced-order DMD eigenpair and the other based on the interpolation of the reduced DMD (Koopman) operator. Numerical results are presented for diffusion-dominated nonlinear dynamical problems, including a multiphysics radiative transfer example. All three parametric DMD approaches are compared.

研究の動機と目的

• マルチクエリ応用における既存のパラメトリックDMD手法のパラメータ数の増加に伴うスケーリングの限界を解消すること。
• Sayadiらが提案した積み重ねスナップショットDMD手法における周波数のパラメータ非依存性という制約を克服すること。
• 訓練用パラメータ数に線形にスケーリングする補間ベースのDMD-ROM手法を開発し、パラメータ組み合わせ数の増加に伴うスケーリングを回避すること。
• Koopmanオペレータ成分または固有ペアの滑らかさを活用することで、パラメトリックでマルチフィジックス問題における精度と計算効率を向上させること。
• マルチフィジックス系においても、高い精度と低い計算コストを維持しながら、単一フィジックスの再構築を堅牢に可能にすること。

提案手法

• rKOI（低次元Koopmanオペレータ補間）手法を提案し、パラメータ値ごとの低次元Koopmanオペレータ行列の成分を線形補間することで、パラメータ空間全体にわたるスケーラブルなROMを構築する。
• rEPI（低次元固有ペア補間）手法を導入し、パラメータセット間でKoopman固有値と固有ベクトルを線形補間することで、パラメトリックROMを構築する。
• 高精度なシミュレーションスナップショットから空間モードを抽出するために、適切な直交分解（POD）を用いる。
• 低次元Koopmanオペレータまたはその固有ペアに対する線形補間を適用し、新たなパラメータ値におけるシステムの時間発展を予測するパラメトリックROMを構築する。
• 提案手法を積み重ねスナップショットDMD手法と比較する。この手法は、パラメータごとの時系列スナップショットを1つの拡張行列に連結する。
• PODモードに射影されたデータから標準DMDを用いてKoopmanオペレータを計算し、その後パラメトリック補間を適用してパラメータ空間全体に一般化されたオペレータを得る。

実験結果

リサーチクエスチョン

• RQ1 積み重ねスナップショット手法で見られる訓練データサイズの指数的増加を回避することで、パラメトリックDMDをマルチパラメータ問題にスケーラブルに拡張可能か？
• RQ2 Koopmanオペレータ成分（rKOI）または固有ペア（rEPI）を補間することで、積み重ねDMD手法よりも高い精度と計算効率が得られるか？
• RQ3 rKOIおよびrEPI手法は、最新の技術と比較して、マルチフィジックス系における過渡ダイナミクスとパラメトリック依存性をどれほど正確に捉えられるか？
• RQ4 Koopmanオペレータ成分または固有ペアにおける滑らかさ仮定が、得られるパラメトリックROMの精度に与える影響は何か？
• RQ5 rKOI手法は、マルチフィジックス問題において、単一フィジックス再構築を高い精度で達成しながら、低い計算コストを維持できるか？

主な発見

• rKOI手法は、全テスト問題において時間全体にわたり相対L₂誤差が1%未満に抑えられ、高い精度と頑健性を示した。
• 放射熱拡散問題のマルチフィジックス系において、rKOIは1つのフィールドずつ再構築する状況でも平均L₂誤差が1%未満に抑えられ、優れた単一フィジックス再構築能力を示した。
• rKOI手法は、特に強いパラメトリック依存性を示す問題において、精度と計算効率の両面で積み重ねDMD手法を上回った。
• rEPI手法は、DMDランクが高くなると、Koopman固有ペアに対する厳密な滑らかさ要件が原因で性能が劣化した。
• rKOI手法は、積み重ねDMD手法よりも著しく計算効率が高く、マルチパラメータ問題におけるスケーリング特性も優れていた。
• 積み重ねDMD手法はマルチパラメータ状況では性能が著しく劣り、特に訓練に使用可能なフィジックスフィールドが1つしかない場合、rKOIに比べて効果的ではなかった。