[논문 리뷰] Model reduction for transport-dominated problems via online adaptive bases and adaptive sampling

Benjamin Peherstorfer|arXiv (Cornell University)|2018. 12. 05.

Model Reduction and Neural Networks인용 수 7

한 줄 요약

이 논문은 국소적이고 시간에 적응하는 감소 기저와 적응형 샘플링 기반의 온라인 적응형 감소 모델을 제안한다. 이는 운반 지배 문제에 대해, 특히 비선형성과 시간에 따라 변화하는 운반 속도를 갖는 문제에 대해, 전체 모델과 전통적인 감소 모델보다 최대 10배 빠른 성능을 달성하며, 구조가 매우 국소화되어 있을 경우에 필요한 샘플링 포인트 수를 크게 줄인다. 이는 협응 구조의 공간적·시간적 국소성 특성을 활용한 결과이다.

ABSTRACT

This work presents a model reduction approach for problems with coherent structures that propagate over time such as convection-dominated flows and wave-type phenomena. Traditional model reduction methods have difficulties with these transport-dominated problems because propagating coherent structures typically introduce high-dimensional features that require high-dimensional approximation spaces. The approach proposed in this work exploits the locality in space and time of propagating coherent structures to derive efficient reduced models. Full-model solutions are approximated locally in time via local reduced spaces that are adapted with basis updates during time stepping. The basis updates are derived from querying the full model at a few selected spatial coordinates. A core contribution of this work is an adaptive sampling scheme for selecting at which components to query the full model to compute basis updates. The presented analysis shows that, in probability, the more local the coherent structure is in space, the fewer full-model samples are required to adapt the reduced basis with the proposed adaptive sampling scheme. Numerical results on benchmark examples with interacting wave-type structures and time-varying transport speeds and on a model combustor of a single-element rocket engine demonstrate the wide applicability of the proposed approach and runtime speedups of up to one order of magnitude compared to full models and traditional reduced models.

연구 동기 및 목표

• 대류 지배 유동 및 파동 현상과 같은 운반 지배 문제에 대해 기존 감소 모델이 높은 콜모고로프 n-폭으로 인해 실패하는 이유를 해결한다.
• 정적 감소 공간의 한계를 극복하기 위해 시간에 따라 변화하는 협응 구조를 추적할 수 있는 온라인 기반 기저 적응 기법을 제공한다.
• 기저 업데이트를 위한 전체 모델 쿼리에 적합한 공간 포인트를 효율적으로 선정하기 위한 적응형 샘플링 전략을 개발한다.
• 시간에 따라 변화하는 계수, 비선형 역학, 다양한 운반 속도를 갖는 문제에서 본 방법의 강건성과 효율성을 입증한다.
• 기준 문제와 실제 연소 문제에서 전체 순서 모델과 전통적인 정적 감소 모델에 비해 뚜렷한 계산 속도 향상을 달성한다.

제안 방법

• 선택된 공간 포인트에서의 전체 모델 평가로부터 유도된 저질서 기저 업데이트를 통해 시간에 따라 적응하는 국소 감소 공간을 구성한다.
• 기저 업데이트를 위한 전체 모델 쿼리 대상 구성 요소를 결정하기 위해 적응형 샘플링 기법을 사용하여 샘플링 비용을 최소화하면서 정확도를 유지한다.
• 감소 모델 내 비선형 항을 처리하기 위해 이산 에미피리컬 보간법(DEIM)을 적용하여 온라인 계산의 효율성을 확보한다.
• 모든 시간 단계(또는 몇 개의 단계 간격)마다 감소 기저를 적응시켜 전파되는 협응 구조를 추적함으로써 국소 정확도를 보장한다.
• 잔차의 공간 국소성에 기반하여 전체 모델 샘플링 수를 줄이며, 협응성 감쇠와 샘플링 효율성 간의 이론적 근거를 제시한다.
• 오프라인 단계 없이도 실시간으로 매개변수 변화에 적응 가능한 온라인, 암묵적으로 매개변수화된 모델을 구현한다.

실험 결과

연구 질문

• RQ1 기존 감소 모델이 고차원 해 특성으로 인해 실패하는 운반 지배 문제에 대해 모델 감소를 효과적으로 적용할 수 있는 방법은 무엇인가?
• RQ2 협응 구조의 공간 국소성과 감소 기저를 적응시키기 위해 필요한 전체 모델 샘플링 수 사이의 관계는 무엇인가?
• RQ3 균일 샘플링에 비해 적응형 샘플링 기법이 기저 업데이트에 필요한 전체 모델 평가 수를 크게 줄일 수 있는가?
• RQ4 시간에 따라 변화하는 역학을 갖는 문제에서 제안된 온라인 적응 기저 방법이 전체 순서 모델과 정적 감소 모델에 비해 정확도와 실행 시간 측면에서 어떻게 비교되는가?
• RQ5 해가 매개변수에 따라 크게 변화하는 다양한 매개변수 영역에서도 이 방법이 얼마나 강건한가?

주요 결과

• 수치 실험에서 제안된 AADEIM 방법은 전체 순서 모델 대비 최대 10배의 속도 향상을 달성했으며, 이는 로켓 연소기 모델을 포함한다.
• 시간에 따라 변화하는 운반 속도를 갖는 기준 파동 문제에서 AADEIM 모델은 전체 모델 대비 약 6배의 속도 향상을 달성했다.
• 동일한 설정에서 정적 감소 모델은 전체 모델보다 느렸으며, 이는 운반 지배 문제에 대해 고정된 오프라인 기저의 비효율성을 보여준다.
• 도메인당 50개의 샘플링 포인트로도 적응형 샘플링 기법은 약 10⁻⁴의 오차를 달성했고, 균일 샘플링은 최소 175개의 포인트가 필요해 10⁻² 오차 수준에 도달했다.
• 해가 매개변수에 따라 크게 변화하는 영역에서도 이 방법은 낮은 오차와 높은 속도 향상을 유지하며 강건성을 입증했다.
• 이론적 분석을 통해 잔차의 국소 협응성 감쇠가 빠를수록 필요한 샘플링 포인트 수가 줄어들며, 이는 적응형 샘플링 전략의 효율성을 검증한다.