[논문 리뷰] A Data Driven Method for Computing Quasipotentials

Bo Lin, Qianxiao Li외 1명|arXiv (Cornell University)|2020. 12. 13.

Model Reduction and Neural Networks참고 문헌 26인용 수 6

한 줄 요약

이 논문은 명시적인 모델이 필요 없이 고차원 스토케스틱 동역학계에서 준위력함수(quasipotential)를 계산하기 위한 데이터 기반 기계학습 방법을 제안한다. 궤적 데이터를 기반으로 신경망을 훈련시켜 벡터장의 잠재적 성분과 순환적 성분으로의 정규직교 분해를 학습함으로써, 이 방법은 효율적으로 준위력함수 경관을 재구성할 수 있으며, 고차원 PDE나 생물학적 네트워크와 같은 복잡한 시스템에서 희귀 사건과 전이 경로를 정확하게 분석할 수 있게 한다.

ABSTRACT

The quasipotential is a natural generalization of the concept of energy functions to non-equilibrium systems. In the analysis of rare events in stochastic dynamics, it plays a central role in characterizing the statistics of transition events and the likely transition paths. However, computing the quasipotential is challenging, especially in high dimensional dynamical systems where a global landscape is sought. Traditional methods based on the dynamic programming principle or path space minimization tend to suffer from the curse of dimensionality. In this paper, we propose a simple and efficient machine learning method to resolve this problem. The key idea is to learn an orthogonal decomposition of the vector field that drives the dynamics, from which one can identify the quasipotential. We demonstrate on various example systems that our method can effectively compute quasipotential landscapes without requiring spatial discretization or solving path-space optimization problems. Moreover, the method is purely data driven in the sense that only observed trajectories of the dynamics are required for the computation of the quasipotential. These properties make it a promising method to enable the general application of quasipotential analysis to dynamical systems away from equilibrium.

연구 동기 및 목표

• 기하학적 차원의 비용으로 인해 전통적 방법이 실패하는 고차원 비평형 동역학계에서 준위력함수를 계산하는 문제에 대응한다.
• 특정 전이 점에 국한된 경로 공간 최소화의 한계와 고차원에서 실현 불가능한 메쉬 기반 동적 프rogramming의 한계를 극복한다.
• 기본 동역학 모델이 필요 없이 관측된 궤적 데이터로부터 직접 준위력함수 경관을 학습하는 순수 데이터 기반 접근법을 개발한다.
• 안정 평형점, 한계 순환, 고차원 시공간 역학과 같은 복잡한 액트러비터를 가진 시스템에 대해 확장 가능한 전역 준위력함수 매핑을 가능하게 한다.
• 계산된 준위력함수 경관을 활용해 희귀 사건, 최소 작용 경로, 안착지역에서의 퇴출 시간 등의 후행 분석을 촉진한다.

제안 방법

• 벡터장을 스칼라 준위력함수의 기울기로 이루어진 잠재적 성분과 발산이 없는 벡터장으로 이루어진 순환적 성분의 합으로 매개변수화하며, 이 두 성분 모두 깊은 신경망으로 모델링한다.
• 관측된 궤적의 재구성 오차와 잠재적 성분 및 순환적 성분 간의 직교성 강제 조건을 포함하는 손실 함수를 사용해 신경망을 훈련시킨다.
• 관측된 데이터 포인트에서 잠재적 성분과 순환적 성분의 벡터장 간 내적 값이 0이 되도록 직교성 조건을 강제함으로써 물리적 일관성을 확보한다.
• 각 액트러비터의 안착지역에 대해 학습된 잠재적 성분을 제한하고, 액트러비터에서의 값으로 기준점을 설정함으로써 준위력함수를 계산한다.
• 학습된 동역학을 사용해 궤적을 시뮬레이션하고, 최소 작용 방법과 같은 알려진 기준과 비교하여 준위력함수 경관의 정확도를 검증한다.
• 주로 주요 푸리에 모드로 정의된 저차원 부분공간에 상태를 투영함으로써, 40차원 반응-확산 시스템과 같은 고차원 시스템에 이 방법을 적용한다.

실험 결과

연구 질문

• RQ1 명시적인 모델 지식 없이 고차원 스토케스틱 동역학계에서 전역 준위력함수 경관을 정확하게 계산할 수 있는 데이터 기반 기계학습 방법이 존재하는가?
• RQ2 신경망이 궤적 데이터만으로 벡터장의 잠재적 성분과 순환적 성분으로의 직교 분해를 얼마나 잘 학습할 수 있는가?
• RQ3 이 방법은 한계 순환과 고차원 시공간 역학과 같은 복잡한 액트러비터를 가진 시스템의 준위력함수 경관을 효과적으로 포착할 수 있는가?
• RQ4 기존의 경로 공간 최소화 및 메쉬 기반 동적 프로그래밍 방법과 비교할 때 이 방법의 정확도와 수렴 행동은 어떠한가?
• RQ5 계산된 준위력함수를 얼마나 잘 활용해 희귀 전이 사건, 최소 작용 경로, 안착지역에서의 퇴출 시간을 예측할 수 있는가?

주요 결과

• 이 방법은 $4 \times 10^6$개의 궤적 데이터 포인트만으로 40차원 반응-확산 시스템의 준위력함수 경관을 성공적으로 계산하였으며, 테스트 궤적에서 재구성 오차는 $8.227 \times 10^{-4} \pm 6.741 \times 10^{-4}$였다.
• 데이터 기반 방법으로 계산된 준위력함수 등고선은 최소 작용 방법으로 얻어진 결과와 잘 일치하여 정확도가 검증되었다.
• 전통적 방법의 확장성 한계를 극복하기 위해 공간 이산화나 경로 최적화 없이도 전역 준위력함수 매핑을 달성하였다.
• 신경망 기반 직교 분해는 물리적으로 의미 있는 잠재적 성분과 순환적 성분으로 벡터장을 효과적으로 분리하여 안정적인 준위력함수 추정을 가능하게 하였다.
• 이 방법은 준위력함수 경관을 활용해 최소 작용 경로 식별 및 안착지역에서의 퇴출 시간 추정과 같은 후행 분석을 가능하게 하였다.
• 이 방법은 순수하게 데이터 기반이다: 명시적인 확률 미분 방정식의 형태가 필요 없이 관측된 궤적에서 동시에 기초 동역학과 준위력함수를 학습한다.