[論文レビュー] Variational system identification of the partial differential equations governing microstructure evolution in materials: Inference over sparse and spatially unrelated data

Z. Wang, Xun Huan+1 more|arXiv (Cornell University)|Jan 11, 2020

Model Reduction and Neural Networks参考文献 48被引用数 4

ひとこと要約

本論文は、希少で空間的に無関係かつノイズの多い顕微鏡観察データから材料の微細組織進化を支配する偏微分方程式（PDE）を同定するための変分的システム同定（VSI）フレームワークを提案する。適応的重み関数と一貫性に基づく確認テストを活用することで、動的データが限られている状況においても、最小で簡潔なPDE作用素の安定した同定が可能となり、定常状態において拡散項および反応項がスケーリング要因を除き正確に同定されることを達成した。

ABSTRACT

Pattern formation is a widely observed phenomenon in diverse fields including materials physics, developmental biology and ecology, among many others. The physics underlying the patterns is specific to the mechanisms, and is encoded by partial differential equations (PDEs). With the aim of discovering hidden physics, we have previously presented a variational approach to identifying such systems of PDEs in the face of noisy data at varying fidelities (Computer Methods in Applied Mechanics and Engineering, 353:201-216, 2019). Here, we extend our variational system identification methods to address the challenges presented by image data on microstructures in materials physics. PDEs are formally posed as initial and boundary value problems over combinations of time intervals and spatial domains whose evolution is either fixed or can be tracked. However, the vast majority of microscopy techniques for evolving microstructure in a given material system deliver micrographs of pattern evolution over domains that bear no relation with each other at different time instants. The temporal resolution can rarely capture the fastest time scales that dominate the early dynamics, and noise abounds. Furthermore, data for evolution of the same phenomenon in a material system may well be obtained from different physical specimens. Against this backdrop of spatially unrelated, sparse and multi-source data, we exploit the variational framework to make judicious choices of weighting functions and identify PDE operators from the dynamics. A consistency condition arises for parsimonious inference of a minimal set of the spatial operators at steady state. It is complemented by a confirmation test that provides a sharp condition for acceptance of the inferred operators. The entire framework is demonstrated on synthetic data that reflect the characteristics of the experimental material microscopy images.

研究の動機と目的

• データが希少で、空間的に分離しており、時間的にも不足している状況において、微細組織進化を支配するPDEを同定する課題に対処すること。
• 材料顕微鏡からの不完全でノイズの多い画像データにおいて、従来のPDEシステム同定法の限界を克服すること。
• 動的および定常状態データから、空間微分作用素および代数的作用素の最小集合を一貫して推論できる変分的フレームワークの構築。
• 追加のデータや事前知識を必要とせず、同定されたPDEの数学的厳密な妥当性を保証する、作用素抑制に基づく確認テストの導入。
• 動的データと高分解能の定常状態データを統合することで、拡散係数などの動的係数を強靭に推定すること。

提案手法

• ノイズが多く、希少なデータを扱えるように、候補となる空間的および時間的作用素のライブラリ上で変分的最適化問題としてPDEシステム同定問題を定式化し、弱形式を用いる。
• ノイズや空間的ずれに敏感にならないように、データ適合度が高い領域に重点を置くために、変分損失に適応的重み関数を導入する。
• 二段階の変分的システム同定（VSI）プロセスを適用：まず定常状態のデータを用いて一貫性条件に基づき作用素を同定し、その後時間分解能のあるスナップショットを用いて動的作用素を精緻化する。
• 作用素抑制に基づく一貫性確認テストを実装し、候補項を体系的に抑制した場合の同定作用素のロバストネスをテストすることで、同定された作用素の妥当性を検証する。
• 過剰適合を低減し汎用性を向上させるために、最小作用素集合を促進する正則化戦略を採用する。
• 同定されたモデルの前方軌道を損失関数に統合することで、特に極端なパrameter領域において安定性と精度が向上する。

実験結果

リサーチクエスチョン

• RQ1 変分的システム同定フレームワークは、希少で空間的に無関係かつノイズの多い微細組織画像データから、真のPDEを信頼性高く同定できるか？
• RQ2 追加のデータや事前知識に依存せずに、同定されたPDE作用素の一貫性とロバストネスをどのように検証できるか？
• RQ3 動的データの精緻化の前段階として、定常状態データを用いて最小の支配的作用素集合を事前に同定できる範囲はどの程度か？
• RQ4 本手法は、微細組織進化における非一様な時間サンプリングや高速な動的挙動の欠落という課題をどのように処理するか？
• RQ5 同定されたPDEにおける真の物理的メカニズムと誤ったまたは冗長な項を区別するために、作用素抑制テストは果たすどのような役割を果たすか？

主な発見

• 本手法は、定常状態データのみを用いても、すべての支配的PDE作用素（微分的および代数的）をスケーリング要因を除き正確に同定でき、ゼロ次推論の可能性を示した。
• 作用素抑制に基づく一貫性確認テストは、交差検証や外部ベンチマークに依存せず、数学的に厳密なデータ駆動型の同定作用素妥当性評価を可能にした。
• 動的データと高分解能の定常状態データを統合することで、拡散係数などの小さな動的係数の同定が著しく向上し、安定した基準点が得られた。
• 二段階のVSIアプローチにより、時間分解能が不十分で初期過渡状態を捉えきれない場合でも、完全な動的システムの正確な推論が可能となった。
• 合成データを用いた実験により、ノイズや空間的ずれに対してもフレームワークのロバストネスが実証された。
• 損失関数の構造と作用素の一貫性チェックにより、1階の放物型PDEと2階の放物型系を区別できることが示され、本手法が放物型系を超える広範な応用可能性を有する可能性を示唆した。