[논문 리뷰] A Kernel Approach to Data-Driven Koopman Spectral Analysis

Matthew O. Williams, Clarence W. Rowley외 1명|arXiv (Cornell University)|2014. 11. 09.

Model Reduction and Neural Networks인용 수 15

한 줄 요약

이 논문은 고차원 상태 공간에서의 스칼라 관측량을 암묵적으로 커널 함수를 통해 정의함으로써 고차원 상태 공간에서의 풍부한 관측량 부분공간을 구성하는 데 드는 계산 부담을 줄이는 커널 기반 방법을 제안한다. 이 방법은 동일한 계산 비용으로 DMD(Dynamic Mode Decomposition)보다 더 정확하고 데이터 분포에 덜 민감한 Koopman 고유값, 고유함수 및 고유모드의 근사치를 제공한다.

ABSTRACT

A data driven, kernel-based method for approximating the leading Koopman eigenvalues, eigenfunctions, and modes in problems with high dimensional state spaces is presented. This approach approximates the Koopman operator using a set of scalar observables, which are functions defined on state space, that is determined {\em implicitly} by the choice of a kernel. This circumvents the computational issues that arise due to the number of basis functions required to span a sufficiently rich subspace of the space of scalar observables in these problems. We illustrate this method on the FitzHugh-Nagumo PDE, a prototypical example of a one-dimensional reaction diffusion system, and compare our results with related methods such as Dynamic Mode Decomposition (DMD) that have the same computational cost as our approach. In this example, the resulting approximations of the leading Koopman eigenvalues, eigenfunctions, and modes are both more accurate and less sensitive to the distribution of the data used in the computation than those produced by DMD.

연구 동기 및 목표

• 고차원 상태 공간에서 Koopman 스펙트럼 분석을 위한 스칼라 관측량의 rich한 부분공간을 구성하는 데 드는 계산 부담을 해결하기 위해.
• 암묵적으로 커널 함수를 통해 관측량을 정의하는 데이터 기반 방법을 개발하여 명시적인 기저 함수 선택을 피하기 위해.
• 기존의 DMD와 같은 방법들보다 Koopman 고유값, 고유함수 및 고유모드 근사치의 정확성과 강인성을 향상시키기 위해.
• 프로토타입 반응-확산 시스템인 FitzHugh-Nagumo PDE에서 이 방법의 효과성을 입증하기 위해.

제안 방법

• 이 방법은 커널 함수에 의해 암묵적으로 정의된 스칼라 관측량의 집합을 사용하여 Koopman 연산자를 근사한다. 이로써 명시적인 기저 함수를 피할 수 있다.
• 재생 핵 힐버트 공간(RKHS) 프레임워크를 통해 커널 유도 관측량을 구성함으로써 고차원 공간에서의 효율적 계산을 가능하게 한다.
• 커널 유도 관측량의 스칼라 공간에 대한 데이터 기반 갈레르킨 프로젝션을 통해 Koopman 고유값 문제를 해결한다.
• 커널 트릭을 활용하여 고차원 특징 공간에서의 명시적 계산을 피함으로써 계산 복잡도를 감소시킨다.
• 저랭크 근사치를 형성하기 위해 데이터 포인트의 그레디 선택을 사용하여 방법을 구현한다.
• 최종적으로 얻어진 고유값 및 고유함수 근사치는 커널 그램 행렬에서 유도된 시프트된 고유값 문제를 통해 계산된다.

실험 결과

연구 질문

• RQ1 동일한 계산 비용으로 커널 기반 접근법이 고차원 시스템에서 DMD보다 더 정확한 Koopman 스펙트럼 근사치를 제공할 수 있는가?
• RQ2 커널 함수를 통한 관측량의 암묵적 구성 방식이 Koopman 분석에서 차원의 저주 문제를 어떻게 완화하는가?
• RQ3 제안된 방법에서 Koopman 스펙트럼 근사치의 정확도가 훈련 데이터의 분포에 얼마나 민감한가?
• RQ4 커널 기반 방법이 FitzHugh-Nagumo PDE와 같은 반응-확산 시스템의 주요 동역학을 신뢰성 있게 포착할 수 있는가?
• RQ5 커널 유도 관측량에서 유도된 고유함수와 고유모드가 표준 DMD의 것과 비교해 해석 가능성과 수렴 특성 측면에서 어떻게 다른가?

주요 결과

• 제안된 커널 기반 방법은 FitzHugh-Nagumo PDE에서 DMD보다 주요 Koopman 고유값을 더 정확하게 근사한다.
• 이 방법은 DMD보다 훈련 데이터의 분포에 덜 민감한 고유함수와 고유모드를 생성하여 강인성을 향상시킨다.
• 커널 기반 접근법은 DMD와 동일한 계산 비용을 유지하면서도 스펙트럼 근사 품질을 크게 향상시킨다.
• 커널을 통한 관측량의 암묵적 구성은 고차원 공간에서의 명시적 기저 함수의 필요성을 제거하여 계산 오버헤드를 줄인다.
• 이 방법은 데이터 기반의 커널 유도 관측량 프레임워크를 사용하여 FitzHugh-Nagumo PDE의 주요 시공간 동역학을 성공적으로 포착한다.
• 결과적으로 얻어진 Koopman 스펙트럼 분해는 다양한 데이터 샘플링 조건 하에서도 개선된 안정성과 수렴 특성을 보여준다.