[논문 리뷰] Data-driven peakon and periodic peakon travelling wave solutions of some nonlinear dispersive equations via deep learning

Li Wang, Zhenya Yan|arXiv (Cornell University)|2021. 01. 12.

Nonlinear Waves and Solitons참고 문헌 37인용 수 4

한 줄 요약

이 논문은 비선형 분산 방정식인 Camassa-Holm, Degasperis-Procesi, Novikov 방정식과 같은 방정식들에 대해 데이터 기반의 피크온 및 주기적 피크온 해를 발견하기 위한 물리 기반 신경망(PINN) 프레임워크를 소개한다. 초기 조건 및 경계 조건에 대해 손실 최소화를 통해 딥 신경망을 훈련시킴으로써 피크온 해에 대한 고정밀 근사치를 도출하였으며, L2 오차가 1.96e-02까지 낮아져 PINN가 비연속 파동 역학을 효과적으로 포착할 수 있음을 보여준다.

ABSTRACT

In the field of mathematical physics, there exist many physically interesting nonlinear dispersive equations with peakon solutions, which are solitary waves with discontinuous first-order derivative at the wave peak. In this paper, we apply the multi-layer physics-informed neural networks (PINNs) deep learning to successfully study the data-driven peakon and periodic peakon solutions of some well-known nonlinear dispersion equations with initial-boundary value conditions such as the Camassa-Holm (CH) equation, Degasperis-Procesi equation, modified CH equation with cubic nonlinearity, Novikov equation with cubic nonlinearity, mCH-Novikov equation, b-family equation with quartic nonlinearity, generalized modified CH equation with quintic nonlinearity, and etc. These results will be useful to further study the peakon solutions and corresponding experimental design of nonlinear dispersive equations.

연구 동기 및 목표

• 복잡한 비선형성을 지닌 비선형 분산 방정식에서 피크온 및 주기적 피크온 해를 발견하기 위한 딥 러닝 프레임워크를 개발한다.
• 연속적이지 않은 도함수를 가진 단일파를 데이터 기반 방법으로 모델링하는 데 도전한다.
• 물리 기반 신경망(PINNs)을 피크온 방정식의 초기-경계값 문제에 적용하여 편미분방정식(PDE) 제약 조건을 준수한다.
• 기준 방정식인 CH, DP, Novikov의 수치적 해 및 정확한 해와 비교하여 PINN 예측 해의 정확도를 검증한다.

제안 방법

• 연구는 비선형 분산 방정식 (1−∂x²)ut + N(u,ux,uxx,...) = 0 의 형태를 가진 초기-경계값 문제를 해결하기 위해 다층 물리 기반 신경망(PINNs)을 사용한다.
• PINN 손실 함수는 초기 조건, 경계 조건, 그리고 스플라인 점들에서의 데이터 일치성과 시간-공간 영역 전반에 걸친 PDE 잔여 항 최소화를 결합한다.
• 고정밀도 훈련 데이터는 푸리에 모드와 시간 스텝을 사용하여 시뮬레이션한 결과를 생성하기 위해 의사 스펙트럴 방법을 사용한다.
• 신경망 아키텍처는 5~6개의 은닉층을 가지며, 각 층에 10~20개의 뉴런과 하이퍼볼릭 탄젠트 활성화 함수를 사용하여 복잡한 파동 역학을 모델링한다.
• 훈련 과정은 1000개의 컬로케이션 점, 10개의 초기 조건 점, 10개의 경계 조건 점, 10개의 종료 시간 점을 포함한 평균 제곱오차(MSE) 손실을 최소화하여 해의 일관성을 확보한다.
• 이 방법은 비선형성과 경계 조건이 다양한 Degasperis-Procesi(DP), Camassa-Holm(CH), Novikov, mCH-Novikov 방정식에 적용되었다.

실험 결과

연구 질문

• RQ1 물리 기반 신경망(PINNs)은 비선형 분산 방정식에서 도함수가 비연속인 피크온 해를 정확하게 복원할 수 있는가?
• RQ2 복잡한 비선형 항과 주기적 경계 조건 하에서 PINNs는 주기적 피크온 해를 얼마나 잘 근사하는가?
• RQ3 기준 피크온 방정식인 DP 및 CH에 대해 PINN 예측 해의 정확도는 수치적 해 및 정확한 해와 비교해 어떻게 되는가?
• RQ4 네트워크 깊이, 너비, 훈련 데이터 분포와 같은 하이퍼파rameter는 해 수렴 및 오차에 어떤 영향을 미치는가?
• RQ5 PINNs는 b-가족 및 일반화된 mCH 방정식의 다양한 비선형성과 매개변수 영역에서 일반화 가능한가?

주요 결과

• PINN 프레임워크는 수치적 해와 비교해 L2 오차 2.74e-02를 기록하며 Degasperis-Procesi 방정식의 브라이트 피크온 해를 성공적으로 복원하였다.
• c = -1.05 인 DP 방정식의 다크 피크온 해에 대해, 학습된 해와 수치적 해 간의 L2 오차는 3.29e-02였다.
• 이 방법은 DP 방정식의 주기적 피크온 해를 정확히 포착하였으며, 6층 PINN와 512개의 푸리에 모드를 사용해 L2 오차 1.96e-02를 달성하였다.
• PINN 모델은 다양한 초기 조건과 시공간 영역, 특히 DP 방정식의 경우 [-5,5]×[0,3] 및 [-7,7]×[0,3]에서도 강건성을 보였다.
• 이 프레임워크는 비선형성과 고차 비선형성을 지닌 일반화된 mCH-Novikov 및 b-가족 방정식 등 여러 피크온 방정식으로 성공적으로 확장되었다.
• 결과적으로 PINN가 비선형 분산 PDE에서 복잡하고 비연속적인 파동 해를 고정밀도와 일관성 있게 효과적으로 모델링할 수 있음을 확인하였다.