[論文レビュー] PySINDy: A Python package for the Sparse Identification of Nonlinear Dynamics from Data

Brian M. de Silva, Kathleen Champion+4 more|arXiv (Cornell University)|Apr 17, 2020

Model Reduction and Neural Networks参考文献 74被引用数 34

ひとこと要約

PySINDy はデータから支配方程式を発見する SINDy フレームワークの Python 実装を提供し、モジュール式の微分、ライブラリ、スパース回帰コンポーネントと scikit-learn 互換性を備えています。

ABSTRACT

PySINDy is a Python package for the discovery of governing dynamical systems models from data. In particular, PySINDy provides tools for applying the sparse identification of nonlinear dynamics (SINDy) (Brunton et al. 2016) approach to model discovery. In this work we provide a brief description of the mathematical underpinnings of SINDy, an overview and demonstration of the features implemented in PySINDy (with code examples), practical advice for users, and a list of potential extensions to PySINDy. Software is available at https://github.com/dynamicslab/pysindy.

研究の動機と目的

• 動的システムのデータ駆動による発見を動機づけ、解釈可能なモデルを提供する。
• scikit-learn風の設計でアクセスしやすい SINDy 実装の Python パッケージを提供する。
• 柔軟性と拡張性のためにモジュラーコンポーネント（微分、ライブラリ、最適化子）を提供する。
• 例（例: ローレンツ系）を用いた使用方法の実演と、ユーザー向けの実践的なガイダンスを提供する。

提案手法

• ダイナミカルシステムを d x/dt = f(x) の形で定式化し、f を Θ(x) の疎な線形結合で近似する。
• ダイナミクスを Ẋ ≈ Θ(X)Ξ と表現し、疎回帰を用いて Ξ を解く。
• コアの PySINDy オブジェクトを scikit-learn の推定量として、三つのモジュラーコンポーネント（differentiation_method、feature_library、optimizer）を備えて設計する。
• 微分（FiniteDifference、SmoothedFiniteDifference）、ライブラリ（PolynomialLibrary、FourierLibrary、CustomLibrary、IdentityLibrary）、最適化子（STLSQ、SR3）の組み込みオプションを提供し、ユーザー拡張をサポートする。
• データ準備、モデル適合、微分の計算、予測、シミュレーションを含む実践的なワークフローを公開する。
• Lorenz 系のモデリングとカスタム特徴量の使用を示すチュートリアルとコード例を含む。

実験結果

リサーチクエスチョン

• RQ1 非線形ダイナミクスの疎識別を、アクセスしやすく拡張性のある Python パッケージとしてどのように実装できるか？
• RQ2 scikit-learn風の API 内で SINDy を柔軟に適用するために、どのモジュラーコンポーネントが必要か（微分、ライブラリ構築、最適化）？
• RQ3 さまざまな微分法、ライブラリ、最適化子が、標準的なダイナミカルシステム（例: ローレンツ系）における SINDy モデルの回復にどのような影響を与えるか？
• RQ4 PySINDy は、妥当なデフォルトとカスタマイズ可能なオプションを提供して、初心者ユーザーと上級研究者の双方に役立つか？
• RQ5 ノイズ耐性を高め、適用範囲を広げるための指針と拡張はどの程度実現可能か（PDE、潜在座標、制約など）？

主な発見

• PySINDy は scikit-learn風のインターフェースを備えた、SINDy の中心的で拡張性のあるコードベースを提供する。
• このパッケージは複数の微分法、ライブラリ、最適化子オプションをサポートし、データからの柔軟なモデル発見を可能にする。
• 実践的なワークフローは、学習したダイナミクスの適合、微分、予測、およびシミュレーションを示す（例: ローレンツ系）。
• 組み込みオプションには FiniteDifference、SmoothedFiniteDifference、PolynomialLibrary、FourierLibrary、CustomLibrary、IdentityLibrary、STLSQ、SR3 が含まれ、ユーザー定義コンポーネントのサポートもある。
• ドキュメントとチュートリアル（GitHub）は、初心者と上級ユーザーの双方に向けた豊富な例とガイダンスを提供する。
• 著者らは、数値微分、ライブラリの選択、正則化、および頑健性と適用範囲を広げる潜在的な拡張について実践的なヒントを論じる。