[論文レビュー] Transformed snapshot interpolation

Gerrit Welper|arXiv (Cornell University)|May 6, 2015

Model Reduction and Neural Networks参考文献 25被引用数 6

ひとこと要約

本稿では、跳躍や折り返しを示すパラメータ依存関数（特に双曲型PDEに多く現れる）の収束速度を向上させるため、変換されたスナップショット補間法を提案する。スナップショットにパラメータ依存の座標変換を適用することで不連続性を再配置し、標準の低次元化手法が失敗する場合でも高次収束を実現する。

ABSTRACT

Functions with jumps and kinks typically arising from parameter dependent or stochastic hyperbolic PDEs are notoriously difficult to approximate. If the jump location in physical space is parameter dependent or random, standard approximation techniques like reduced basis methods, PODs, polynomial chaos, etc. are known to yield poor convergence rates. In order to improve these rates, we propose a new approximation scheme. As reduced basis methods, it relies on snapshots for the reconstruction of parameter dependent functions so that it is efficiently applicable in a PDE context. However, we allow a transformation of the physical coordinates before the use of a snapshot in the reconstruction, which allows to realign the moving discontinuities and yields high convergence rates. The transforms are automatically computed by minimizing a training error. In order to show feasibility of this approach it is tested by 1d and 2d numerical experiments.

研究の動機と目的

• ジャンプや折り返しがパラメータに依存する関数の近似において、標準の低次元化手法（例：低次元基底、POD、多項式クラウド）が示す不良な収束速度を是正すること。
• 多因子分解に基づく手法の根本的限界を克服すること。このような問題では、その収束速度が最大で線形に制限される。
• 不連続性を異なるパラメータ値間で一致させるために座標変換を活用する、非侵襲的かつスナップショットに基づく近似スキームの開発。
• スナップショットとオプションの誤差推定器のみを入力データとして用いることで、既存のPDEソルバーとの互換性を確保すること。
• 高次収束が解自体の正則性に依存するのではなく、不連続性を整列させた変換後のスナップショットの正則性に依存することを示すこと。

提案手法

• 変換された補間スキームを導入：$ u(x,\mu) \approx \sum_{\eta \in \mathcal{P}_n} c_\eta(\mu) \, u(\phi(\mu,\eta)(x), \eta) $、ここで $ \phi(\mu,\eta) $ は物理座標のパラメータ依存変換である。
• スナップショットのトレーニングセットを用いて近似誤差を最小化し、ジャンプ位置の解析的知識に依存せずに最適な変換 $ \phi(\mu,\eta) $ を計算する。
• 変換 $ \phi $ の数値最適化に部分勾配法を用い、安定性および摂動解析による局所最小値を避ける理論的根拠を提示する。
• 変換後のスナップショットの正則性に依存する高次誤差推定を証明し、実際には超線形収束を実現可能であることを示す。
• 多因子分解フレームワークを用いるが、標準の基底関数の代わりに変換後のスナップショットを用いることで、近似効率を向上させる。
• 1次元および2次元の数値実験により、本手法が標準手法に比べて収束速度と精度で顕著な向上を示すことを検証する。

実験結果

リサーチクエスチョン

• RQ1 スナップショットに適用する座標変換は、移動する不連続性を示すパラメータ依存PDEの低次元近似の収束速度を向上させ得るか？
• RQ2 パラメータ依存のジャンプを伴う関数に多因子分解に基づく手法を適用した場合、収束の理論的限界は何か？
• RQ3 不連続性の位置を事前に知らずに、トレーニングセットのスナップショットから変換を効率的かつ安定的に計算する方法は何か？
• RQ4 不連続性を整列させた変換後のスナップショットの正則性は、元の解の不規則性よりも高次収束を達成するか？
• RQ5 本手法は、スナップショットとオプションの誤差推定器のみを入力として用いることで、既存のPDEソルバーと非侵襲的に統合可能か？

主な発見

• 本手法は解の正則性に依存せず、不連続性を整列させた変換後のスナップショットの正則性に依存する収束速度を達成する。
• 付録Aの反例において、標準の多因子分解手法は最大で $ O(n^{-1}) $ の収束に制限されるが、変換スナップショット手法ははるかに高い収束率を達成する。
• 解多様体 $ \mathcal{F} $ のコルモゴロフ $ n $-幅は $ O(n^{-1}) $ で下限づけられ、このクラスの問題に対してはいかなる多因子分解手法も線形収束を超えることは不可能であることを証明する。
• 1次元および2次元の数値実験により、不連続性の効果的な整列のおかげで、極めて少ないスナップショット数で高い精度を達成できることを示す。
• トレーニング誤差の最小化による変換 $ \phi(\mu,\eta) $ の最適化は、正確な一致が不可能であっても安定的かつ効果的な結果をもたらす。
• 本手法は非侵襲的であり、スナップショットとオプションの誤差推定器のみに依存するため、既存のPDEソルバーと互換性があり、実世界の応用に実用的である。