[論文レビュー] PyDMD: A Python package for robust dynamic mode decomposition

Sara M. Ichinaga|arXiv (Cornell University)|Feb 12, 2024

Machine Fault Diagnosis Techniques被引用数 12

ひとこと要約

PyDMD 1.0 は、DMD を実装する Python パッケージと、前処理およびチュートリアルを備えた堅牢なバリアントのスイート（例：BOP-DMD、CoSTS、parametric DMD、randomized DMD、physics-informed DMD）を提供し、ノイズのある、マルチスケール、パラメータ化、高次元、または非線形ダイナミクスに対処します。

ABSTRACT

The dynamic mode decomposition (DMD) is a simple and powerful data-driven modeling technique that is capable of revealing coherent spatiotemporal patterns from data. The method's linear algebra-based formulation additionally allows for a variety of optimizations and extensions that make the algorithm practical and viable for real-world data analysis. As a result, DMD has grown to become a leading method for dynamical system analysis across multiple scientific disciplines. PyDMD is a Python package that implements DMD and several of its major variants. In this work, we expand the PyDMD package to include a number of cutting-edge DMD methods and tools specifically designed to handle dynamics that are noisy, multiscale, parameterized, prohibitively high-dimensional, or even strongly nonlinear. We provide a complete overview of the features available in PyDMD as of version 1.0, along with a brief overview of the theory behind the DMD algorithm, information for developers, tips regarding practical DMD usage, and introductory coding examples. All code is available at https://github.com/PyDMD/PyDMD .

研究の動機と目的

• データ駆動型ダイナミクス系の解析を、DMD を用いてさまざまな分野で動機づけ、可能にする。
• ノイズ、マルチスケール、パラメータ化、非線形性を扱う堅牢なバリアントを含めるよう PyDMD を拡張する。
• 実世界のデータモデリングを促進するためのドキュメントとチュートリアルを備えた、モジュール化された、テスト可能な Python ツールキットを提供する。
• PyDMD で DMD の手法を選択し、時系列遅延前処理を適用する際の実践的な指針を示す。

提案手法

• DMD とそのバリアントの数学的背景を提示する。
• DMDBase クラスを支える多くのモジュールの基盤となる、PyDMD のモジュール式アーキテクチャを説明する。
• 潜在構造を明らかにするための Hankel 前処理（時系列遅延座標）を説明する。
• 最適化 DMD（BOP-DMD を含む）や固有値制約のような堅牢な DMD バリアントを紹介する。
• CoSTS、parametric DMD、randomized DMD、physics-informed DMD、HAVOK などの追加拡張を解説する。
• DMD の診断を解釈するための実践的な使用パターンと可視化ツールを提供する。

実験結果

リサーチクエスチョン

• RQ1 ノイズのある実データや現実データから、堅牢な DMD バリアントを用いて一貫した時空パターンを信頼性高く回復できるか？
• RQ2 時系列遅延前処理は、実践的には DMD モードの見掛けのランクと回復可能性にどのような影響を与えるか？
• RQ3 どの DMD バリアントが、データの状態（ノイズレベル、マルチスケールダイナミクス、パラメータ化、非線形性）に最も適しており、ユーザーはそれをどのように選択すべきか？
• RQ4 PyDMD を用いて実データセットに DMD を適用する際の実践的な指針（前処理、パラメータ選択、検証など）は何か？

主な発見

• PyDMD のバージョン 1.0 は、ノイズがありマルチスケールでパラメータ化された高次元・非線形ダイナミクスに対応した最先端の DMD 手法を追加します。
• 時系列遅延（Hankel）前処理は、実数データの実効ランクを増加させ、潜在的な空間モードを明らかにすることができる。
• Bagging-最適化 DMD（BOP-DMD）と固有値制約は、実データに対する堅牢性とノイズ抑制を提供する。
• パッケージはモジュール式でオープンソース、文書化が充実しており、採用を促進するチュートリアルとプロットツールがある。
• サンプルデータから distinct な時空モードと対応する周波数を回復する実例が、実用的なワークフローを示している。