[논문 리뷰] An Adaptive Sampling Approach for the Reduced Basis Method

Sridhar Chellappa, Lihong Feng외 1명|arXiv (Cornell University)|2019. 10. 01.

Model Reduction and Neural Networks인용 수 5

한 줄 요약

이 논문은 감소 기저 방법에 대한 적응형 샘플링 접근법을 제안하며, 라디얼 기저 함수(RBF) 기반 오차 서rogate를 사용하여 오프라인 계산 비용을 최소화하면서도 보장된 정확도를 확보하기 위해 근사적인 훈련 세트를 동적으로 업데이트한다. 정밀한 격자에서 높은 오차를 보이는 매개변수를 반복적으로 추가하고, 허용 오차를 충족하는 매개변수를 제거함으로써, 24회의 반복 내에 오차가 $10^{-3}$ 이하인 감소 차수 모델을 달성한다—고정된 훈련 세트 대비 런타임 41.52초 대비 74.09초로 성능이 뛰어나며, 고정된 접근법이 실패하는 상황에서도 허용 오차를 충족한다.

ABSTRACT

The offline time of the reduced basis method can be very long given a large training set of parameter samples. This usually happens when the system has more than two independent parameters. On the other hand, if the training set includes fewer parameter samples, the greedy algorithm might produce a reduced-order model with large errors at the samples outside of the training set. We introduce a method based on a surrogate error model to efficiently sample the parameter domain such that the training set is adaptively updated starting from a coarse set with a small number of parameter samples. A sharp a posteriori error estimator is evaluated on a coarse training set. Radial Basis Functions are used to interpolate the error estimator over a separate fine training set. Points from the fine training set are added into the coarse training set at every iteration based on a user defined criterion. In parallel, parameter samples satisfying a defined tolerance are adaptively removed from the coarse training set. The approach is shown to avoid high computational costs by using a small training set and to provide a reduced-order model with guaranteed accuracy over a fine training set. Further, we show numerical evidence that the reduced-order model meets the defined tolerance over an independently sampled test set from the parameter domain.

연구 동기 및 목표

• 큰 또는 고차원 매개변수 도메인을 다룰 때 감소 기저 방법의 높은 오프라인 계산 비용을 해결한다.
• 그리디 감소 기저 근사에서 훈련 세트 크기와 정확도 사이의 상충 관계를 극복한다.
• 정확도를 유지하면서도 전체 순서 모델 해를 풀어야 할 횟수를 최소화하는 적응형 샘플링 전략을 개발한다.
• 서rogate 오차 모델을 통합하여 전체 순서 모델을 모든 점에서 평가하지 않더라도 매개변수 도메인을 효율적으로 탐색할 수 있도록 한다.
• 최종 감소 차수 모델이 전체 매개변수 도메인, 특히 독립적으로 샘플링된 테스트 세트에서 사용자가 정의한 허용 오차를 충족하도록 보장한다.

제안 방법

• 랜덤으로 선택된 매개변수 샘플의 작은, 군집된 훈련 세트로 감소 기저 방법을 초기화한다.
• 각 훈련 세트의 매개변수에서 감소 차수 모델 오차를 평가하기 위해 날카운 후행 오차 추정기를 사용한다.
• 정밀한 훈련 세트를 통해 오차 추정기를 보간하기 위해 라디얼 기저 함수(RBF) 서rogate 모델을 구축하여 전체 순서 모델을 풀지 않더라도 빠른 오차 추정이 가능하도록 한다.
• 각 그리디 반복 단계에서 정밀한 격자 내에서 높은 서rogate 오차를 보이는 매개변수를 식별하고, 이를 군집된 훈련 세트에 추가하여 기저를 풍부하게 한다.
• 사용자가 정의한 허용 오차를 충족하는 매개변수를 군집된 훈련 세트에서 제거하여 최소화되지만 대표적인 훈련 세트를 유지한다.
• RBF 커널의 최적의 형태 파라미터를 선택하기 위해 교차 검증을 적용하여 서rogate 정확도와 안정성을 향상시킨다.

실험 결과

연구 질문

• RQ1 적응형 샘플링 전략은 정확도를 희생시키지 않고 감소 기저 방법의 오프라인 계산 비용을 줄일 수 있는가?
• RQ2 RBF 보간 기반의 서rogate 오차 모델은 고차원 문제에서 매개변수 도메인 탐색의 효율성을 어떻게 향상시킬 수 있는가?
• RQ3 수렴한 매개변수를 적응적으로 제거함으로써 훈련 세트 크기를 얼마나 줄일 수 있으며, 정확도는 유지할 수 있는가?
• RQ4 작고 적응적인 훈련 세트를 사용할 때도 제안된 방법이 독립적으로 샘플링된 테스트 세트에서 원하는 허용 오차를 달성하는가?
• RQ5 런타임과 오차 제어 측면에서 적응형 방법은 고정된 훈련 세트 접근법에 비해 어떻게 성능이 뛰어나며, 어떤가?

주요 결과

• 적응형 방법은 테스트 세트에서 최대 오차 $ \num{1e-3} $를 달성하여 사용자가 정의한 허용 오차를 충족했지만, 고정된 훈련 세트 방법은 이를 달성하지 못했다.
• 적응형 알고리즘이 24회의 반복 내에 수치 74의 감소 차수 모델로 수렴한 데 반해, 고정된 방법은 44로 수렴했지만 여전히 허용 오차를 초과했다.
• 열 모델 예제에서 런타임이 고정된 경우 74.09초에서 적응형 경우 41.52초로 감소하여 뚜렷한 계산 절감 효과를 보였다.
• 오차 감쇠 및 최종 오차 분포도를 통해 적응형 방법이 수렴 행동과 최종 오차 분포 측면에서 고정된 방법을 뛰어넘는 것으로 나타났다.
• RBF 기반 오차 서rogate는 매개변수 도메인 탐색을 효율적으로 가능하게 하여 그리디 반복 과정에서 전체 순서 모델 해를 풀어야 할 필요성을 줄였다.
• 이 방법은 적응형 POD-Greedy-(D)EIM 알고리즘과 성공적으로 통합되어 고차원 파라미터 PDE에 대한 완전히 적응형 감소 기저 프레임워크를 가능하게 하였다.