[論文レビュー] Solving multiscale steady radiative transfer equation using neural networks with uniform stability

Yulong Lu, Li Wang+1 more|arXiv (Cornell University)|Oct 13, 2021

Mathematical Biology Tumor Growth被引用数 4

ひとこと要約

本稿では、微小なKnudsen数εにおける拡散的領域での一様安定性を保証する、マクロ・ミクロ分解に基づく損失関数を備えた物理情報付きニューラルネットワーク（PINN）フレームワークを提案する。放射線伝達方程式（RTE）の解をマクロ（拡散的）成分とミクロ（偏差）成分に分解し、境界層補正項を導入することで、ニューラルネットワーク解のL²誤差がεに依存せずに一様に有界であることを保証する。これにより、ε → 0 の極限におけるバニラPINNの不安定性問題が解決される。

ABSTRACT

This paper concerns solving the steady radiative transfer equation with diffusive scaling, using the physics informed neural networks (PINNs). The idea of PINNs is to minimize a least-square loss function, that consists of the residual from the governing equation, the mismatch from the boundary conditions, and other physical constraints such as conservation. It is advantageous of being flexible and easy to execute, and brings the potential for high dimensional problems. Nevertheless, due the presence of small scales, the vanilla PINNs can be extremely unstable for solving multiscale steady transfer equations. In this paper, we propose a new formulation of the loss based on the macro-micro decomposition. We prove that, the new loss function is uniformly stable with respect to the small Knudsen number in the sense that the $L^2$-error of the neural network solution is uniformly controlled by the loss. When the boundary condition is an-isotropic, a boundary layer emerges in the diffusion limit and therefore brings an additional difficulty in training the neural network. To resolve this issue, we include a boundary layer corrector that carries over the sharp transition part of the solution and leaves the rest easy to be approximated. The effectiveness of the new methodology is demonstrated in extensive numerical examples.

研究の動機と目的

• 微小なεにおける拡散的領域で、バニラ物理情報付きニューラルネットワーク（PINN）の不安定性を解消すること。
• Knudsen数εに関する一様安定性を維持する損失関数を構築し、ε → 0 の極限において解のL²誤差が有界に保たれることを保証すること。
• 拡散的極限における非等方的流入境界条件に起因する境界層の問題に対処し、ニューラルネットワークの収束を妨げる要因を克服すること。
• 半無限領域問題の解に基づく境界層補正項を構築し、急峻な勾配を分離することで、滑らかな解成分の近似を向上させること。
• 線形および非線形RTE問題にわたる広範な数値実験を通じて、提案手法の有効性を実証すること。

提案手法

• RTE解のマクロ・ミクロ分解に基づく新しい損失関数を定式化し、解を巨視的（拡散的）成分と微視的（偏差）成分に分離する。
• 損失関数を、支配方程式、境界条件、物理的制約の残差の和として定義し、これらすべてをマクロ・ミクロ変数の形で表現する。
• 非等方的境界条件における急峻な勾配を捉えるために、関連する半無限領域問題の解から導出される境界層補正項を導入する。
• 補正項を用いて、急峻な変化を示す成分（補正項が処理）と滑らかな残差成分（ニューラルネットワークが近似）に解を分解する。
• ニューラルネットワークを滑らかな残差成分を近似するように訓練し、補正項の構造を強制することで、ε → 0 の極限における安定性と精度を確保する。
• 一様安定性の評価を証明：PINN解のL²誤差は、εに依存しない形で新しい損失関数によって一様に有界である。

実験結果

リサーチクエスチョン

• RQ1 拡散的領域におけるKnudsen数εに関する一様安定性を保証するように、PINNの損失関数を設計することは可能か？
• RQ2 非等方的流入境界条件に起因する境界層は、RTEのPINNベースの解法においてどのように効果的に取り扱えるか？
• RQ3 マクロ・ミクロ分解は、多スケール放射線伝達問題におけるニューラルネットワーク解の安定性と精度を向上させるか？
• RQ4 境界層補正項は、境界付近に急峻な勾配を示す問題におけるPINN学習の収束性と誤差低減に寄与するか？
• RQ5 提案手法は、線形および非線形の定常放射線伝達方程式の両方に対して有効であるか？

主な発見

• 提案された損失関数により、一様安定性が確保される。ニューラルネットワーク解のL²誤差は、εに依存せず損失関数によって一様に有界であり、ε → 0 の極限で発散を防ぐ。
• 非等方的境界条件の下では、境界層補正項の導入により、学習収束性と解の精度が顕著に向上し、急峻な勾配が分離される。
• 数値結果から、ε = 1（運動論的領域）およびε = 10⁻³（拡散的領域）の両方において、高い精度が達成され、スケールをまたいで相対L²誤差が低く保たれている。
• 例題8（線形RTE）では、解およびその拡散極限の近似が高精度に達成され、学習過程で損失と誤差が安定して減少した。
• 例題9（非線形RTE）では、運動論的から拡散的挙動への遷移を的確に捉え、ε = 1およびε = 10⁻³の両条件下で予測されたT(x)およびI(x,v)が、基準解と密接に一致した。
• 境界層補正項の導入により、特にε → 0 の極限において、バニラPINNに比べてより安定的かつ効率的な学習プロセスが実現された。