[논문 리뷰] Fast data-driven model reduction for nonlinear dynamical systems

Joar Axås, Mattia Cenedese외 1명|arXiv (Cornell University)|2022. 04. 29.

Model Reduction and Neural Networks인용 수 1

한 줄 요약

이 논문은 비선형 동역계 시스템을 스펙트럼 부분다양체(Spectral Submanifolds, SSMs)로의 모델 축소를 위한 빠른SSM(fastSSM)과 빠른SSM+(fastSSM+)라는 두 가지 명시적이고 데이터 기반의 알고리즘을 소개한다. SSM의 탄젠트 공간을 SVD를 통해 추정하고, 축소된 다양체에서 정규형을 해석적으로 계산함으로써, 은닉 최적화 기반의 SSMLearn에 비해 수십 배에서 수백 배 빠른 속도 향상을 달성하면서도, 비선형성 및 선형화 불가능한 동역학(예: 보류 진동, 탱크 내 액체 진동 등)에 대해 수치적 및 실험적 데이터셋 모두에서 높은 정확도를 유지를 한다.

ABSTRACT

We present a fast method for nonlinear data-driven model reduction of dynamical systems onto their slowest nonresonant spectral submanifolds (SSMs). We use observed data to locate a low-dimensional, attracting slow SSM and compute a maximally sparse approximation to the reduced dynamics on it. The recently released SSMLearn algorithm uses implicit optimization to fit a spectral submanifold to data and reduce the dynamics to the normal form. Here, we present two simplified algorithms, which reformulate manifold fitting and normal form computation as explicit problems under certain assumptions. We show on both numerical and experimental datasets that these algorithms yield accurate and sparse rigorous models for essentially nonlinear (or non-linearizable) dynamics. The new algorithms are significantly simplified and provide a speedup of several orders of magnitude.

연구 동기 및 목표

• 데이터 기반 모델 축소를 위한 은닉 최적화 기반 SSMLearn 알고리즘의 더 빠르고 접근성 있는 대안을 개발하기 위해.
• 관측 공간의 차원이 높은 경우에도 SSM 피팅과 정규형 계산을 단순화하여 효율적인 모델 축소를 가능하게 하기 위해.
• 실시간 분석 및 제어 설계에 적합한 명시적이고 해석적으로 계산 가능한 정규형을 SSM 상에 제공하기 위해.
• 명시적 계산 방식이 실용적 응용에 충분한 정확도를 확보하면서도 계산 비용을 극적으로 감소시킬 수 있음을 입증하기 위해.

제안 방법

• SSM의 탄젠트 공간을 데이터의 특이값 분해(SVD)를 통해 근사할 수 있다고 가정하여, 명시적 SSM 피팅을 가능하게 한다.
• 관측 공간 내 다각형으로서 SSM을 추정하기 위해 데이터에 다항식 피팅을 적용한다.
• 임의의 원하는 차수까지 정규형을 명시적이고 재귀적인 알고리즘으로 계산한다.
• 해당 정규형에 포함된 필수 비선형 항들만 유지하기 위해 희소 회귀 기법을 사용하여 해석 가능성을 향상시킨다.
• 빠른SSM은 복소 공액 고유값을 가진 2차원 SSM에 대해 삼차 정규형을 중심으로 하며, 단모드 진동에 적합하다.
• 빠른SSM+는 이 접근을 임의의 차수와 차원으로 일반화하면서도, 삼차 2차원 경우에서는 빠른SSM과 동치임을 유지한다.

실험 결과

연구 질문

• RQ1 SSM 피팅과 정규형 계산를 은닉 최적화를 피하는 명시적 문제로 재정의할 수 있는가?
• RQ2 속도와 정확도 측면에서 명시적 SSM 및 정규형 계산의 성능는 은닉 최적화 기반 방법과 비교해 어떻게 되는가?
• RQ3 내부 공진 및 비선형 감쇠와 같은 선형화 불가능한 동역학에 대해서도 새로운 알고리즘이 모델의 정밀도를 유지할 수 있는가?
• RQ4 SVD 기반 탄젠트 공간 추정에 대한 가정이 모델 정확도와 수렴 영역에 어떤 영향을 미치는가?
• RQ5 명시적 정규형 계산 방식이 실용적인 예측 및 제어에 충분한 유효성을 지닌 모델을 생성할 수 있는가?

주요 결과

• 빠른SSM과 빠른SSM+ 알고리즘은 원래의 SSMLearn 알고리즘 대비 수십 배에서 수백 배 빠른 속도 향상을 달성했다.
• 고정-고정 보의 실험에서, 테스트 세트에서 정규화된 평균 궤적 오차(NMTE)가 1.28%로 측정되었다.
• 모델은 자동으로 보의 데이터에서 내부 공진을 탐지하여 모드 간 에너지 이동을 정확히 포착했다.
• 탱크 내 액체 진동 실험에서는 감쇠 동역학과 강제 진동의 진폭 및 위상 예측이 정확하게 이루어졌다.
• 빠른SSM+가 해석적으로 계산한 정규형은 SSMLearn에서 수치적으로 피팅된 정규형보다 유효 영역이 훨씬 작았으며, 이는 실무에서 데이터 기반 피팅이 해석적 방법을 능가할 수 있음을 시사한다.
• 그럼에도 불구하고, 명시적 방법은 이해하기 쉬우면서도 신뢰할 수 있는 예측과 분석에 충분한 정확도를 확보한 모델을 생성했다.