[論文レビュー] Symplectic Model Reduction of Hamiltonian Systems on Nonlinear Manifolds

Patrick Buchfink, Silke Glas+1 more|arXiv (Cornell University)|Dec 20, 2021

Model Reduction and Neural Networks被引用数 4

ひとこと要約

この論文は、非線形多様体上でのハミルトニアン系のモデル低次元化のためのシンプレクティック多様体ガリーキン（SMG）射影を提案する。この手法は、シンプレクティック性、エネルギー保存、安定性を保持する。非線形シンプレクティック試行多様体を構築するために弱いシンプレクティック性を持つ深層畳み込みオートエンコーダーを用い、古典的な線形部分空間法や非シンプレクティック多様体法と比較して、より低い次元で優れた精度を達成する。

ABSTRACT

Classical model reduction techniques project the governing equations onto linear subspaces of the high-dimensional state-space. For problems with slowly decaying Kolmogorov-n-widths such as certain transport-dominated problems, however, classical linear-subspace reduced-order models (ROMs) of low dimension might yield inaccurate results. Thus, the concept of classical linear-subspace ROMs has to be extended to more general concepts, like Model Order Reduction (MOR) on manifolds. Moreover, as we are dealing with Hamiltonian systems, it is crucial that the underlying symplectic structure is preserved in the reduced model, as otherwise it could become unphysical in the sense that the energy is not conserved or stability properties are lost. To the best of our knowledge, existing literature addresses either MOR on manifolds or symplectic model reduction for Hamiltonian systems, but not their combination. In this work, we bridge the two aforementioned approaches by providing a novel projection technique called symplectic manifold Galerkin (SMG), which projects the Hamiltonian system onto a nonlinear symplectic trial manifold such that the reduced model is again a Hamiltonian system. We derive analytical results such as stability, energy-preservation and a rigorous a-posteriori error bound. Moreover, we construct a weakly symplectic deep convolutional autoencoder as a computationally practical approach to approximate a nonlinear symplectic trial manifold. Finally, we numerically demonstrate the ability of the method to outperform (non-)structure-preserving linear-subspace ROMs and non-structure-preserving MOR on manifold techniques.

研究の動機と目的

• 古典的な線形部分空間低次元モデル（ROM）が、Kolmogorov-n-幅の低下が遅い輸送優勢問題を捉える能力に限界があることに対処する。
• シンプレクティックモデル低次元化と多様体に基づくモデル低次元化（MOR）の間のギャップを埋める。これらはこれまで別々に研究されてきた。
• 非線形多様体上でもハミルトニアン構造（特にシンプレクティック性、エネルギー保存、リャプノフ安定性）を保つ射影技術を開発する。
• 非線形シンプレクティック試行多様体を近似可能な計算的に実用的な弱いシンプレクティック性を持つ深層畳み込みオートエンコーダー（DCA）を構築する。
• 提案されたSMG-ROMが、構造を保存しないROMおよび非シンプレクティック多様体ベースのMORと比較して、精度と長期的安定性に優れていることを示す。

提案手法

• 非線形シンプレクティック試行多様体上に、フルオーダーのハミルトニアン系を射影するシンプレクティック多様体ガリーキン（SMG）射影技術を提案する。
• 多様体の幾何的構造と射影制約を通じてシンプレクティック性を強制することで、低次元系がハミルトニアンの性質を保つようにする。
• 時間離散化に基づく厳密な事後誤差境界を導出し、低次元モデルにおける誤差制御を可能にする。
• ペナルティ項ではなく、アーキテクチャ的制約によってシンプレクティック性を強制する弱いシンプレクティック性を持つ深層畳み込みオートエンコーダー（DCA）を設計する。
• 古典的なシンプレクティックROMと同様に、高精度なスナップショットをDCAの学習に使用し、公平な比較を可能にする。
• DCAをSMG射影と統合し、やや厳しい仮定のもとでエネルギー保存と安定性を保つ低次元モデルを生成する。

実験結果

リサーチクエスチョン

• RQ1 シンプレクティックモデル低次元化を非線形多様体へ効果的に拡張することで、Kolmogorov-n-幅の低下が遅い問題の精度向上が図れるか？
• RQ2 多様体上での低次元モデルにおいて、シンプレクティック性を保つことで、非シンプレクティック手法と比較してエネルギー保存性と長期的安定性が向上するか？
• RQ3 弱いシンプレクティック性を持つ深層畳み込みオートエンコーダーは、計算的実行可能性を保ちつつ、非線形シンプレクティック試行多様体を効果的に近似できるか？
• RQ4 SMG-ROMは、古典的な線形部分空間ROMおよび非シンプレクティック多様体ベースのMORと比較して、ハミルトニアン系において精度と安定性に優れているか？
• RQ5 オートエンコーダーに基づく多様体学習における、アーキテクチャによるシンプレクティック性の強制と損失に基づくペナルティとの違いは、どのような影響を及ぼすか？

主な発見

• SMG-ROMはやや厳しい仮定のもとで、シンプレクティック性、エネルギー保存、リャプノフ安定性を保持し、低次元モデルの物理的整合性を保証する。
• 弱いシンプレクティック性を持つDCAは、時間経過に伴いハミルトニアン誤差が5.5×10⁻⁴未満に保たれることを保証し、非シンプレクティックDCA（t=1でハミルトニアン誤差が最大2に達する）と比較して顕著に優れた性能を示す。
• 波動方程式に従う移動パルスの問題において、SMG-ROMは非常に次元が低い多様体でも低次元誤差を達成し、古典的な線形部分空間ROMを上回る。
• 非シンプレクティック多様体ベースのMOR手法は、多様体学習が行われても劣悪な解を生じるため、ハミルトニアン系においてはシンプレクティック性が精度に不可欠であることが示された。
• この手法はオートエンコーダーに基づく手法の課題を引き継いでおり、ハイパーパrameterの増加と完全なオフライン・オンライン分離の欠如があるため、将来の研究としてハイパーレダクションおよびシンプレクティックアーキテクチャ設計の向上が求められる。
• 数値結果から、弱いシンプレクティック性を持つDCAを用いたSMG-ROMは、低次のハミルトニアン誤差とシンプレクティック性誤差を維持している一方で、非シンプレクティックバージョンはエネルギー保存性において顕著に発散することが示された。