[논문 리뷰] A Koopman-based framework for forecasting the spatiotemporal evolution of chaotic dynamics with nonlinearities modeled as exogenous forcings

Mohammad Amin Khodkar, Pedram Hassanzadeh외 1명|arXiv (Cornell University)|2019. 08. 30.

Model Reduction and Neural Networks참고 문헌 49인용 수 9

한 줄 요약

이 논문은 비선형성을 외부 외력으로 간주함으로써 고차원의 혼돈스러운 시공간 시스템의 비선형성을 모델링하는 쿠프만 기반의 데이터 기반 프레임워크를 제안한다. 이는 고차원 혼돈 동역학의 정확한 단기 예측을 가능하게 한다. 지연 임bed된 벡터 값 관측치와 선형 쿠프만 연산자 근사치를 사용함으로써, 쿠라모토-시바시니 방정식과 2D 리드된 캐비티 유동과 같은 혼돈 시스템을 리아프노프 시간스케일 수개에 걸쳐 높은 정확도로 예측할 수 있다.

ABSTRACT

We introduce a data-driven method and shows its skills for spatiotemporal prediction of high-dimensional chaotic dynamics and turbulence. The method is based on a finite-dimensional approximation of the Koopman operator where the observables are vector-valued and delay-embedded, and the nonlinearities are treated as external forcings. The predictive capabilities of the method are demonstrated for well-known prototypes of chaos such as the Kuramoto-Sivashinsky equation and Lorenz-96 system, for which the data-driven predictions are accurate for several Lyapunov timescales. Similar performance is seen for two-dimensional lid-driven cavity flows at high Reynolds numbers.

연구 동기 및 목표

• 기본 방정식이 계산적으로 금기이거나 부분적으로 알려져 있지 않은 고차원, 혼돈스러운 시공간 시스템에 대한 데이터 기반 예측 프레임워크를 개발하는 것.
• 비선형 상호작용에 의해 억제되는 불안정 모드를 포착하는 데에 한계가 있는 전통적인 선형 모델의 한계를 극복하는 것.
• 쿠라모토-시바시니 방정식과 고레이놀즈수 리드된 캐비티 유동과 같은 시스템에서 극단적 사건과 복잡한 동역학의 정확한 단기 예측을 가능하게 하는 것.
• 지연 임베딩과 쿠프만 연산자 이론을 활용하여, 외부 외력에 의해 비선형 동역학을 포착하는 안정적이고 유한차원 선형 모델을 구축하는 것.

제안 방법

• 상태공간을 표현하기 위해 지연 임베딩된 벡터 값 관측치를 사용하여, 선형 프레임워크 내에서 비선형 동역학을 더 잘 포착할 수 있도록 한다.
• 시스템 내 비선형 항은 외부 외력으로 간주되며, 이에 따라 쿠프만 연산자는 선형 정수계로 근사될 수 있다.
• 지연 임베딩된 데이터에 대해 동적 모드 분해(DMD)를 적용하여 쿠프만 연산자의 유한차원 근사를 구성함으로써 효율적인 계산을 가능하게 한다.
• 모델은 과거 데이터를 기반으로 훈련되어 선형 동역학과 외력의 진화를 학습하며, 검증 세트를 통해 최적의 파라미터를 선택한다.
• 쿠프만 부분공간을 잘라내기 위해 하드 스위칭 기준을 사용하여 안정성과 예측 정확도를 보장한다.
• 외력 벡터 길이 p는 상태 벡터 길이 r에 상대적으로 스케일링되며, α는 최적 성능을 위해 경험적으로 최적화된다.

실험 결과

연구 질문

• RQ1 비선형성을 외부 외력으로 간주할 때, 선형 쿠프만 기반 프레임워크가 혼돈스러운 시공간 시스템을 정확하게 예측할 수 있는가?
• RQ2 벡터 값 관측치의 지연 임베딩이 고차원 혼돈 시스템에서 쿠프만 연산자 근사치의 예측 능력을 얼마나 향상시키는가?
• RQ3 이 방법은 쿠라모토-시바시니 방정식과 2D 리드된 캐비티 유동과 같은 난류 유동에서 극단적 사건과 장기 통계적 특성을 얼마나 잘 예측할 수 있는가?
• RQ4 안정적이고 정확한 예측을 달성하기 위해 지연 임베딩 차원 수 q와 축소된 부분공간 크기 r의 최적 구성은 무엇인가?
• RQ5 여러 리아프노프 시간스케일에 걸쳐 혼돈 동역학을 예측할 때, 이 방법은 SINDy나 LSTM과 같은 기존 데이터 기반 접근법과 비교해 어떻게 성능을 냈는가?

주요 결과

• 이 방법은 리아프노프 시간스케일 수개에 걸쳐 쿠라모토-시바시니 방정식과 로렌츠-96 시스템에 대해 정확한 예측을 달성하여 혼돈 동역학에 대한 강건성을 입증한다.
• 고레이놀즈수에서의 2D 리드된 캐비티 유동에 대해서는, 난류 영역에서도 시공간적 진화와 분기 현상을 성공적으로 포착한다.
• 최적의 지연 임베딩 차원 q는 시스템의 분산 탈퇴 시간스케일 τd와 비례하는 것으로 밝혀졌지만, 일반적으로 τd/τ보다 훨씬 낮은 값이었다.
• 축소된 부분공간 크기 r가 하드 스위칭 기준 근처에 선택될 경우 모델은 안정적이고 정확한데, r가 너무 클 경우 발산한다.
• 외력 벡터 길이 p는 p = αr로 설정했을 때 가장 효과적이었으며, α는 예측 정확도를 최대화하기 위해 경험적으로 결정되었다.
• 이 프레임워크는 비선형적으로 안정화되는 불안정 모드를 포착함으로써 표준 선형 모델을 능가하며, 무한대 성장 방지를 유지하면서도 예측 정밀도를 유지한다.