[논문 리뷰] Operator inference for non-intrusive model reduction with quadratic manifolds

Rudy Geelen, Stephen Wright외 1명|arXiv (Cornell University)|2022. 05. 04.

Model Reduction and Neural Networks인용 수 7

한 줄 요약

이 논문은 고차원 스탑샷에서 데이터 기반의 이차 다각형을 학습하는 비침습적 모델 감소 프레임워크를 제안한다. 선형 부분공간(POD를 통해 계산됨)과 이차 항을 조합한 다항식 매핑을 사용한다. 이 다각형에 대해 연산자 추론을 적용함으로써, 특히 선형 부분공간이 느린 특이값 감쇠로 인해 실패하는 이동 지배 PDE에 대해 선형 부분공간보다 뛰어난 정확도와 효율성을 달성한다.

ABSTRACT

This paper proposes a novel approach for learning a data-driven quadratic manifold from high-dimensional data, then employing this quadratic manifold to derive efficient physics-based reduced-order models. The key ingredient of the approach is a polynomial mapping between high-dimensional states and a low-dimensional embedding. This mapping consists of two parts: a representation in a linear subspace (computed in this work using the proper orthogonal decomposition) and a quadratic component. The approach can be viewed as a form of data-driven closure modeling, since the quadratic component introduces directions into the approximation that lie in the orthogonal complement of the linear subspace, but without introducing any additional degrees of freedom to the low-dimensional representation. Combining the quadratic manifold approximation with the operator inference method for projection-based model reduction leads to a scalable non-intrusive approach for learning reduced-order models of dynamical systems. Applying the new approach to transport-dominated systems of partial differential equations illustrates the gains in efficiency that can be achieved over approximation in a linear subspace.

연구 동기 및 목표

• 이동 지배 PDE에서와 같이 콜모고로프 n-넓이가 느리게 감쇠할 경우 선형 부분공간의 감소 모델링 한계를 해결한다.
• 기존 시스템의 코드나 구조를 수정하지 않고도 확장 가능하고 비침습적인 방법을 개발한다.
• 데이터 기반의 이차 성분을 통해 선형 부분공간에 곡률을 추가하는 이차 다각형 근사법을 제안하여, 자유도를 추가하지 않고도 근사 능력을 향상시킨다.
• 스냅샷 데이터에서 유도된 비선형 다각형과 연산자 추론을 조합하여 효율적이고 물리 기반의 감소 모델을 가능하게 한다.
• 신경망 기반 비선형 모델 감소의 확장성과 해석 가능성 문제를 해결하기 위해, 구조화되고 해석 가능한 다항식 다각형을 사용한다.

제안 방법

• 고차원 상태에서 저차원 임bedding으로의 비선형 매핑을 다항식 형태로 구성한다: 적절한 직교 분해(POD)를 통해 계산된 선형 부분공간에 이차 항을 더한다.
• 스냅샷 데이터에 대한 선형 회귀를 통해 이차 항을 학습하여, 온라인 시뮬레이션 중에 온라인 또는 반복적 해법기가 필요 없도록 한다.
• 낮은 차원의 다각형에서 최소 제곱 문제를 풀어 감소된 시스템의 동역학을 식별함으로써 연산자 추론을 적용한다. 이는 물리적 구조를 유지한다.
• 정규화된 최적화 문제로 다각형 학습을 공식화하며, ℓ2 정규화를 사용하여 조건 수를 개선하고 과적합을 방지한다.
• 정규화된 최소 제곱 문제의 계수를 효율적이고 안정적으로 계산하기 위해 SpaRSA 알고리즘을 적용한다.
• 최종적으로 유도된 이차 다각형과 연산자 추론을 조합하여, 정확하고 계산 효율성이 높은 비침습적, 투영 기반 감소 모델을 도출한다.

실험 결과

연구 질문

• RQ1 이동 지배 PDE에서 특이값 감쇠가 느린 경우, 데이터 기반의 이차 다각형이 선형 부분공간보다 감소 모델 정확도를 향상시킬 수 있는가?
• RQ2 스냅샷 데이터와 선형 회귀만을 사용하여 비침습적이고 반복적이지 않은 방식으로 비선형 다각형을 어떻게 학습할 수 있는가?
• RQ3 다각형에 이차 항을 포함함으로써 정확한 근사에 필요한 자유도의 수가 얼마나 줄어들 수 있는가?
• RQ4 기존의 비선형 모델 감소 기법들인 커널 PCA나 신경망과 비교했을 때, 제안된 방법은 정확도와 효율성 면에서 어떤가?
• RQ5 물리적 일致성을 유지하고 빠른 온라인 평가를 가능하게 하기 위해, 연산자 추론을 비선형 다각형 구조에 효과적으로 적용할 수 있는가?

주요 결과

• 제안된 이차 다각형 접근법은 선형 부분공간에 비해 이동 지배 PDE에서 근사 정확도를 크게 향상시킨다. 특히 선형 감소가 느린 특이값 감쇠로 인해 실패하는 경우에 유의미한 개선을 보인다.
• 강한 대류가 있는 문제에서 선형 부분공간 근사보다 더 빠른 수렴과 낮은 오차를 달성하며, 자유도 수를 줄여준다.
• 이차 다각형에 대해 적용된 연산자 추론은 물리적 일치성을 유지하면서도 빠른 온라인 평가를 가능하게 하는 비침습적 감소 모델을 제공한다.
• ℓ2-정규화된 최소 제곱 문제와 SpaRSA 알고리즘의 사용은 다각형 복잡도가 증가함에 따라 수치적 안정성과 조건 수를 보장한다.
• 이 프레임워크는 확장 가능하고 일반화 가능하며, 원본 PDE 해법기의 침습적 수정이나 시스템 구조에 대한 사전 지식이 필요하지 않다.
• 기존의 비침습적 접근법에 비해 해석 가능성과 계산 효율성 면에서 뛰어나며, 기준 이동 지배 문제에서 높은 정확도를 유지한다.