[논문 리뷰] Koopman Theory for Partial Differential Equations

J. Nathan Kutz, Joshua L. Proctor외 1명|arXiv (Cornell University)|2016. 07. 24.

Model Reduction and Neural Networks참고 문헌 1인용 수 14

한 줄 요약

이 논문은 비선형 편미분방정식(PDE)에 쿠프만 이론을 적용하여, 동적 모드 분해(DMD)를 통한 쿠프만 연산자 근사에서 관측량의 선택이 핵심적임을 보여준다. 이 방법은 버거스 방정식과 비선형 샤르링거 방정식과 같은 PDE에서 복잡한 시공간 역학을 저차원, 식이 없는 모델링으로 가능하게 하며, 적절한 관측량을 통해 약간의 비선형성만 있는 다양체 위에서 물리적으로 해석 가능한 선형 유사 역학을 가능하게 한다.

ABSTRACT

We consider the application of Koopman theory to nonlinear partial differential equations. We demonstrate that the observables chosen for constructing the Koopman operator are critical for enabling an accurate approximation to the nonlinear dynamics. If such observables can be found, then the dynamic mode decomposition algorithm can be enacted to compute a finite-dimensional approximation of the Koopman operator, including its eigenfunctions, eigenvalues and Koopman modes. Judiciously chosen observables lead to physically interpretable spatio-temporal features of the complex system under consideration and provide a connection to manifold learning methods. We demonstrate the impact of observable selection, including kernel methods, and construction of the Koopman operator on two canonical, nonlinear PDEs: Burgers' equation and the nonlinear Schrödinger equation. These examples serve to highlight the most pressing and critical challenge of Koopman theory: a principled way to select appropriate observables.

연구 동기 및 목표

• 비선형 편미분방정식(PDE)에 대해 쿠프만 연산자 이론을 확장하여 데이터 기반 모델링을 수행하는 것.
• PDE에 대한 정확한 쿠프만 연산자 근사화를 가능하게 하는 관측량 선택의 핵심적 역할을 규명하는 것.
• 잘 선택된 관측량이 비선형 다양체 위에서 복잡한 역학을 선형화하여 효과적인 축소 차원 모델링을 가능하게 할 수 있음을 보여주는 것.
• 전통적 DMD와 비교하여 쿠프만 기반 DMD의 성능을 정규화된 비선형 PDE에서 평가하는 것.
• PDE 시스템에서 비선형 다양체 학습의 한 형태로서의 관측량 선택에 대한 체계적인 프레임워크를 수립하는 것.

제안 방법

• 연속 시간 동역학계에서 상태공간의 관측량 함수에 작용하는 무한차원 선형 연산자로 쿠프만 연산자를 수식화하는 것.
• 선택된 관측량을 사용하여 데이터로부터 쿠프만 연산자의 유한차원 근사치를 계산하기 위해 동적 모드 분해(DMD)를 적용하는 것.
• 커널 방법과 비선형 관측량을 사용하여 임bed된 다양체 위에서의 약간의 비선형성 역학을 포괄하는 쿠프만 연산자를 구성하는 것.
• 쿠프만-DMD 프레임워크를 두 가지 정규화된 PDE인 버거스 방정식과 비선형 샤르링거 방정식에 적용하는 것.
• 쿠프만 이론과 DMD 간의 연결을 활용하여 식이 없는 데이터 기반의 시공간 일관된 구조 탐색을 가능하게 하는 것.
• 관측량 변환(예: 버거스 방정식의 코일-호프 변환)을 사용하여 역학을 선형화하고 근사 정확도를 향상시키는 것.

실험 결과

연구 질문

• RQ1 비선형 PDE는 본질적으로 고차원적이고 비선형적이므로, 쿠프만 연산자 이론을 효과적으로 적용하는 방법은 무엇인가?
• RQ2 관측량 선택이 PDE에 대한 쿠프만 기반 축소 차원 모델의 정확도와 해석 가능성에 어떤 역할을 하는가?
• RQ3 선형 관측량에 비해 커널 기반 또는 비선형 관측량이 PDE에 대한 쿠프만 연산자 근사에 개선을 가져올 수 있는가?
• RQ4 쿠프만-DMD 접근법은 전통적 DMD와 비교하여 비선형 PDE의 역학을 얼마나 잘 포착하는가?
• RQ5 PDE에 대해 비선형 다양체 위에서 역학을 선형화하는 데 효과적인 관측량 선택을 위한 체계적인 방법은 존재하는가?

주요 결과

• 비선형 PDE에 대한 정확한 쿠프만 연산자 근사화를 달성하기 위해 관측량 선택이 가장 중요한 요소이다.
• 코일-호프 변환에서 유도된 관측량과 같이 잘 선택된 관측량은 역학을 선형화하고 매우 정확한 쿠프만 근사치를 도출할 수 있다.
• 커널 기반 관측량은 정확한 해석적 선형화가 불가능한 경우에도 PDE에 대한 쿠프만 연산자 근사에 효과적으로 기여한다.
• 쿠프만-DMD 프레임워크는 버거스 방정식과 비선형 샤르링거 방정식 양쪽 모두에서 시공간 일관된 구조를 성공적으로 포착한다.
• 이 방법은 물리적으로 해석 가능한 고유함수와 쿠프만 모드를 제공하며, 식이 없는 데이터 기반의 복잡한 PDE 역학 모델링을 가능하게 한다.
• 이 방법은 비선형 다양체 학습 기법으로서 작동하며, PDE 역학을 저차원의 약간의 선형 다양체 위에 임베딩한다.