[論文レビュー] Selection of Sparse Sets of Influence for Meshless Finite Difference Methods

Oleg Davydov|arXiv (Cornell University)|Aug 5, 2019

Advanced Numerical Methods in Computational Mathematics参考文献 7被引用数 4

ひとこと要約

本稿では、重み付き多項式コロケーション行列のピボットQR分解に基づく、メッシュレス有限差分法における影響集合のスパース選定を効率的に行うアルゴリズムを提案する。この手法により、影響集合に含まれるノード数を削減しながらも、数値微分公式の精度を維持でき、全ノード集合と同等の整合性誤差を達成する一方で、はるかにスパースな行列系を実現する。

ABSTRACT

We suggest an efficient algorithm for the selection of sparse subsets of a set of influence for the numerical discretization of differential operators on irregular nodes with polynomial consistency of a given order with the help of the QR decomposition of an appropriately weighted polynomial collocation matrix, and prove that the accuracy of the resulting numerical differentiation formulas is comparable with that of the formulas generated on the original set of influence.

研究の動機と目的

• メッシュレス有限差分法における影響集合のサイズを、数値的精度を損なわずに削減すること。
• 不規則なノード分布上でも、最小かつ正確な影響集合を計算的に効率的に選択するアルゴリズムの開発。
• 離散化された微分作用素に使用するノード数を最小限に抑えながら、与えられた次数の多項式整合性を維持すること。
• 不規則または不均一なグレーディングのノード集合に対しても、高次精度を実現しつつスパースな線形系を可能にすること。

提案手法

• 影響集合と基準点から構築された重み付き多項式コロケーション行列に対して、ピボットQR分解を適用する。
• ランクを露わにするQR分解により、最も重要な列を特定することで、最小のノード部分集合を選択する。これにより、次数 q の多項式整合性が保証される。
• アルゴリズムは、次数 ≤ q のすべての多項式に対して正確性条件を満たす数値微分公式が得られることを保証する。
• 最小化の過程で、注目点からの距離に比例する重みを用いた重み付きノルムが使用され、整合性誤差の制御が行われる。
• 得られるスパースな公式が、元の全ノード集合の公式と比例する誤差境界を満たすことが保証され、QR分解の条件数に依存する係数を有する。
• アルゴリズムは繰り返し適用され、コロケーション行列 A に対して、rank(A) 個以下のノードからなる部分集合 Y° が得られ、最適なスパarsityが確保される。

実験結果

リサーチクエスチョン

• RQ1 スパースな影響集合を、数値微分公式の精度を損なわず、効率的に選択できるか？
• RQ2 影響集合内のノード数を削減することで、メッシュレス有限差分スキームの整合性誤差を劣化させずに済ませられるか？
• RQ3 スパースな公式の整合性誤差の理論的上限は、全影響集合と比較してどの程度か？
• RQ4 ピボットQR分解を用いることで、不規則なノード分布に対しても、最小かつ正確な影響集合を安定して特定できるか？

主な発見

• 提案手法により、スパースな公式の整合性誤差境界は、元の全影響集合の誤差に対して (1 + ||R₁⁻¹R₂||₂²)¹ᐟ² の係数倍以内に抑えられる。ここで R₁ と R₂ はQR分解からのブロックである。
• 選択された影響集合のサイズは、多項式コロケーション行列のランク以下であるため、顕著なスパarsityが保証される。
• 本手法は次数 q の多項式整合性を維持するため、滑らかな解に対して高次精度を実現する。
• アルゴリズムは不規則なノード分布に対して頑健であり、単純で最適化されていないノード生成手法に対しても適している。
• 得られる線形系は、最近傍ノード選択法よりもはるかにスパースであるため、計算効率が向上する一方で、精度は損なわれない。