[論文レビュー] Towards a MATLAB Toolbox to compute backstepping kernels using the power series method

Xin Lin, Rafael Vázquez+1 more|arXiv (Cornell University)|Mar 24, 2024

Parallel Computing and Optimization Techniques被引用数 5

ひとこと要約

本論文は、power series法を用いてbacksteppingカーネルを計算するMATLABベースのフレームワークを開発し、局所化されたべき級数を導入して特異点を扱い、記号計算手法に比べて大幅な高速化と収束性の改善を実証する。

ABSTRACT

In this paper, we extend our previous work on the power series method for computing backstepping kernels. Our first contribution is the development of initial steps towards a MATLAB toolbox dedicated to backstepping kernel computation. This toolbox would exploit MATLAB's linear algebra and sparse matrix manipulation features for enhanced efficiency; our initial findings show considerable improvements in computational speed with respect to the use of symbolical software without loss of precision at high orders. Additionally, we tackle limitations observed in our earlier work, such as slow convergence (due to oscillatory behaviors) and non-converging series (due to loss of analiticity at some singular points). To overcome these challenges, we introduce a technique that mitigates this behaviour by computing the expansion at different points, denoted as localized power series. This approach effectively navigates around singularities, and can also accelerates convergence by using more local approximations. Basic examples are provided to demonstrate these enhancements. Although this research is still ongoing, the significant potential and simplicity of the method already establish the power series approach as a viable and versatile solution for solving backstepping kernel equations, benefiting both novel and experienced practitioners in the field. We anticipate that these developments will be particularly beneficial in training the recently introduced neural operators that approximate backstepping kernels and gains.

研究の動機と目的

• power series法をbacksteppingカーネル計算へ拡張し、記号ツールを超える性能を追求する。
• 効率とスケーラビリティのためにスパース行列を活用したMATLABフレームワークを開発する。
• 局所化されたべき級数を導入して収束性と解析性の問題に対処する。
• 既存の作業よりも速度と精度の向上を示す具体例を提供する。
• カーネル学習のためのニューラル演算子アプローチとの統合の基盤を整える。

提案手法

• backsteppingカーネル方程式をxとxiの二重べき級数として、三角領域に展開する。
• 級数係数をMATLABが効率的に解ける疎な線形系に変換する。
• 切り捨て、微分、境界/トレースを線形代数演算として実装するための作用素行列を定義する。
• 局所化されたべき級数を、特異点を回避し収束を改善するように、選択点の周りでカーネルを展開して導入する。
• 基本的な例を再現し、記号ソルバーと比較するためのフレームワークとLive Scriptsを提供する。

実験結果

リサーチクエスチョン

• RQ1 MATLABでPDEのbacksteppingカーネルを計算するためにpower seriesアプローチを効率的に実装できるか。
• RQ2 展開点をシフトする（局所化されたべき級数）が特異点近傍の収束と全体の計算時間にどう影響するか。
• RQ3 高次の展開において、記号ツールと比べたMATLABの疎行列フレームワークの性能と精度の利点は何か。
• RQ4 実務上、フレームワークを複数カーネルおよび結合バックステッピング問題へ拡張するにはどうすればよいか。

主な発見

• MATLABソルバは大きな切り捨て次数に対してMathematicaに比べて著しいスピードアップを達成し、疎性を活用してメモリ効率を高める。
• 疎行列形式は高次のべき級数カーネルの効率的な計算を可能にし、Nの増大に対して記号的手法よりもスケールが良い。
• 局所化されたべき級数は、originベースの級数が発散する場合に特異点を回避し収束性を改善することを、検証済みの例で実証した。
• 基本的な例で記号解と比較して精度を保ちつつ、より大きなNを実現できることを示した。
• 結果を再現するLive Scriptsが提供され、新しいカーネル方程式へのコード適用も可能。
• フレームワークはバックステッピングカーネルとゲインを近似するニューラル演算子の訓練を支援することを想定している。