[論文レビュー] Practicable Simulation-Free Model Order Reduction by Nonlinear Moment Matching

María Cruz de Carlos Varona, Raphael Gebhart+2 more|arXiv (Cornell University)|Jan 30, 2019

Model Reduction and Neural Networks参考文献 29被引用数 4

ひとこと要約

本稿では、非線形モーメントマッチングを用いた、シミュレーションを不要とする数値的に効率的な非線形システムのモデル還元手法を提示する。非線形偏微分方程式（PDE）の計算コストの高い解法の代わりに、非線形代数方程式（NLSE）の解法を用いることで、トレーニング中にフルオーダーのシミュレーションを必要とせず、実行可能で高精度な低次元モデルを構築可能となる。

ABSTRACT

In this paper, a practicable simulation-free model order reduction method by nonlinear moment matching is developed. Based on the steady-state interpretation of linear moment matching, we comprehensively explain the extension of this reduction concept to nonlinear systems presented in [1], provide some new insights and propose some simplifications to achieve a feasible and numerically efficient nonlinear model reduction algorithm. This algorithm relies on the solution of nonlinear systems of equations rather than on the expensive simulation of the original model or the difficult solution of a nonlinear partial differential equation.

研究の動機と目的

• 非線形システム向けの実用的で、シミュレーションを必要としないモデル還元技術の開発。
• 既存の非線形モーメントマッチング手法で生じる非線形セルベスタ型PDEの解法による計算ボトルネックの克服。
• フルオーダーのシミュレーションの代わりに非線形方程式系の解法を用いることで、効率的な低次元モデルの構築を可能とする。
• 軌道に基づくデータに依存せずに、非線形モーメントを正確にマッチさせる数値的に実行可能なアルゴリズムの提供。
• ベンチマーク非線形PDE系（FitzHugh-Nagumo）を用いた、本手法の有効性の検証。

提案手法

• 指数関数的入力を受ける非線形システムの定常応答に基づく非線形モーメントマッチングフレームワークの提案。
• 非線形偏微分方程式の解法の代わりに、信号発生器から導出された非線形代数方程式（NLSE）の解法を採用。
• NLSEの解が張る部分空間への線形射影を用いて、低次元モデルを構築。
• システムの非線形的挙動を捉えるために、ユーザーが定義した信号発生器を用いて入力軌道を生成。
• NLSEの解を含む小さな行列に対して特異値分解（SVD）を適用し、低次元基底を抽出。
• 記述子行列を逆行列化するのではなく、記述子形式そのものを直接用いることで、陰的記述子系への拡張を実現。

実験結果

リサーチクエスチョン

• RQ1 フルオーダーのシミュレーションやPDEの解法に依存せずに、非線形モーメントマッチングを計算的に実行可能にすることができるか？
• RQ2 線形システムにおける定常応答の概念を、非線形システムのモデル還元に一般化するにはどうすればよいか？
• RQ3 信号発生器の選定が、低次元モデルの精度と効率に果たす役割は何か？
• RQ4 シミュレーションフリーなアプローチは、PODのようなシミュレーションベース手法と同等またはそれ以上の精度を達成できるか？
• RQ5 計算コストと忠実度の観点から、本手法はデータ駆動型モーメント推定手法と比べてどのように差をつけるか？

主な発見

• 2000自由度のFHNモデルにおけるトレーニング時間は、PODの382.25秒に対し、本手法では46.17秒に短縮された。
• 次元が22の場合、NLMMの相対L1誤差ノルムは3.36×10⁻³であり、PODは1.03×10⁻⁵であった。これは、速度と精度のトレードオフを示している。
• 次元を34に引き上げた場合、NLMMの相対L1誤差は1.83×10⁻³に改善され、より多くの基底ベクトルが精度向上に寄与していることが示された。
• トレーニング中にフルオーダーのシミュレーションを一切回避し、41個の非線形方程式系の解法に依存する。
• 信号発生器の選定が、低次元モデルの品質に顕著な影響を及ぼしており、不安定な指数関数的入力がシステムのダイナミクスを効果的に捉えていた。
• 記述子行列の逆行列化に起因する数値的問題を回避するため、陰的記述子形式を直接用いることで、本手法は陰的記述子系にも適用可能である。