[논문 리뷰] Enforcing exact physics in scientific machine learning: a data-driven exterior calculus on graphs

Nathaniel Trask, Andy Huang외 1명|arXiv (Cornell University)|2020. 12. 22.

Model Reduction and Neural Networks참고 문헌 61인용 수 7

한 줄 요약

이 논문은 그래프 위의 데이터에서 얻은 메트릭 정보를 학습함으로써 정확한 물리 법칙—예를 들어 보존 법칙과 수렴이 없는 조건—을 강제하는 데이터 기반 외부 미분기하학(DDEC)을 소개한다. 조합론적 허지 이론과 신경망을 결합함으로써 DDEC는 제한된 데이터 또는 열악한 훈련 조건에서도 기계 정밀도 수준으로 PDE 제약 조건을 충족하는 물리 기반의 대체 모델을 구축한다.

ABSTRACT

As traditional machine learning tools are increasingly applied to science and engineering applications, physics-informed methods have emerged as effective tools for endowing inferences with properties essential for physical realizability. While promising, these methods generally enforce physics weakly via penalization. To enforce physics strongly, we turn to the exterior calculus framework underpinning combinatorial Hodge theory and physics-compatible discretization of partial differential equations (PDEs). Historically, these two fields have remained largely distinct, as graphs are strictly topological objects lacking the metric information fundamental to PDE discretization. We present an approach where this missing metric information may be learned from data, using graphs as coarse-grained mesh surrogates that inherit desirable conservation and exact sequence structure from the combinatorial Hodge theory. The resulting data-driven exterior calculus (DDEC) may be used to extract structure-preserving surrogate models with mathematical guarantees of well-posedness. The approach admits a PDE-constrained optimization training strategy which guarantees machine-learned models enforce physics to machine precision, even for poorly trained models or small data regimes. We provide analysis of the method for a class of models designed to reproduce nonlinear perturbations of elliptic problems and provide examples of learning $H(div)/H(curl)$ systems representative of subsurface flows and electromagnetics.

연구 동기 및 목표

• 정규화를 통해 근사적으로가 아니라 정확히 물리 법칙을 강제하는 기계 학습 프레임워크를 개발하는 것.
• 그래프 기반 모델과 PDE 이산화 간 격차를 메우기 위해 데이터로부터 메트릭 정보를 얻어 그래프에 기하학적 정보를 부여하는 것.
• 과학적 기계 학습에서 물리적 실현 가능성을 위한 핵심적인 정확한 수열과 허지 라플라시안의 가역성 구조를 유지하는 것.
• 비선형 교란이 있는 타원형 PDE에 대해 잘 정의되고 구조를 유지하는 대체 모델을 제공하는 것.
• 훈련 품질이나 데이터 양과 무관하게 물리적 일관성에 대한 수학적 보장을 제공하는 것.

제안 방법

• 조합론적 허지 이론에서 유도된 위상적 구조를 가진 그래프를 굵은 메esh 대체물로 사용하는 것.
• 고정밀도 데이터로부터 누락된 메트릭 정보를 학습하여 데이터 기반 외부 미분기하학(DDEC)을 정의하는 것.
• 스토크스 정리를 정확히 만족하는 학습 가능한 수렴 및 컬 연산자를 사용하는 것.
• 유량을 매개변수화하는 데 신경망을 활용하면서도 보존 법칙과 정확한 수열 구조를 유지하는 것.
• 기계 정밀도 수준으로 물리 법칙을 강제하는 모델을 훈련하기 위해 PDE 제약 최적화를 적용하는 것.
• 허지 분해와 연산자 가역성을 유지함으로써 비선형 타원형 시스템의 잘 정의됨을 보장하는 것.

실험 결과

연구 질문

• RQ1 그래프 기반 모델은 과학적 기계 학습에서 물리적 보존 법칙을 근사적으로가 아니라 정확히 강제할 수 있는가?
• RQ2 데이터로부터 메트릭 정보를 어떻게 학습하여 순수 위상적 그래프에 물리적 정밀도를 부여할 수 있는가?
• RQ3 데이터 기반 외부 미분기하학은 비선형 교란 하에서도 정확한 수열과 허지 라플라시안의 가역성을 유지할 수 있는가?
• RQ4 작은 데이터 범위나 열악한 훈련 조건에서도 이 프레임워크는 잘 정의됨과 물리적 일관성을 유지하는가?
• RQ5 이 방법은 비선형 물성 법칙을 가진 복잡한 시스템, 예를 들어 자성장과 지하류 등에 일반화될 수 있는가?

주요 결과

• DDEC 프레임워크는 수렴이 없는 필드와 보존 법칙과 같은 물리 제약 조건을, 훈련이 열악한 모델일지라도 기계 정밀도 수준으로 강제한다.
• 일반적인 조건 하에서 비선형 타원형 문제의 잘 정의됨을 유지하여 수학적 안정성을 보장한다.
• 다르시 흐름 문제에서는 학습된 대체 모델이 다양한 α 값에서 y=0.5를 따라 압력 프로파일을 진짜 해와 정확히 일치시켜 재현한다.
• 자기장 문제에서는 물질 인터페이스에서 자기장의 불연속성을 정확히 포착하면서 임의의 진동을 유발하지 않는다.
• 이 프레임워크는 단일 비선형 모델을 학습하여 여러 α 값에 대해 해를 구하는 데 성공하여 파rameter 영역 전반에 걸친 일반화 능력을 보여준다.
• 결과로 도출된 대체 모델은 훈련 수렴 여부나 데이터 양과 무관하게 증명 가능한 안정성과 구조 유지 성질을 지닌다.