[논문 리뷰] Optimal Low-Rank Dynamic Mode Decomposition

Patrick Héas, Cédric Herzet|arXiv (Cornell University)|2017. 01. 04.

Model Reduction and Neural Networks참고 문헌 17인용 수 12

한 줄 요약

이 논문은 특이값분해(SVD)를 통한 저질서 동적 모드 분해(DMD)에 대한 폐쇄형 최적 해를 제시하며, 이전의 반복적 또는 가정에 의존하는 방법들보다 열등한 성능을 보이던 문제를 해결한다. 선형 종속성 가정 없이도 저질서 DMD 근사의 정확한 계산이 가능해져, 비선형 또는 비이상적인 설정에서 최신 기술들보다 훨씬 높은 정확도를 달성한다.

ABSTRACT

Dynamic Mode Decomposition (DMD) has emerged as a powerful tool for analyzing the dynamics of non-linear systems from experimental datasets. Recently, several attempts have extended DMD to the context of low-rank approximations. This extension is of particular interest for reduced-order modeling in various applicative domains, e.g. for climate prediction, to study molecular dynamics or micro-electromechanical devices. This low-rank extension takes the form of a non-convex optimization problem. To the best of our knowledge, only sub-optimal algorithms have been proposed in the literature to compute the solution of this problem. In this paper, we prove that there exists a closed-form optimal solution to this problem and design an effective algorithm to compute it based on Singular Value Decomposition (SVD). A toy-example illustrates the gain in performance of the proposed algorithm compared to state-of-the-art techniques.

연구 동기 및 목표

• 비볼록 저질서 DMD 근사 문제에 대한 최적 해가 부족한 문제를 해결하기 위해.
• 스냅샷 간 선형 종속성에 대한 가정에 의존하지 않도록 하기 위해.
• 감소된 순서 모델링을 위한 계산적으로 효율적이고 해석적으로 최적의 알고리즘을 개발하기 위해.
• DMD 모드와 진폭을 정확하게 폐쇄형으로 계산할 수 있는 프레임워크를 제공하기 위해.

제안 방법

• 저질서 DMD 문제를 비볼록 최적화 문제로 공식화: rank(A) ≤ k 조건 하에 ‖Y − AX‖_F 최소화.
• 데이터 행렬 X와 Y의 SVD를 통해 Eckart-Young 정리를 이용해 폐쇄형 해를 유도.
• X의 SVD와 Y의 SVD로부터 유도된 투영 행렬 P를 사용해 최적의 저질서 행렬 Â_k를 구성.
• 이중 단계 알고리즘을 적용: 먼저 SVD와 행렬 투영을 통해 최적의 A⋆_k를 계산하고, 그 다음 축소된 행렬의 SVD를 통해 DMD 모드와 진폭을 추출.
• 스냅샷 간 선형 종속성에 대한 가정 없이 반복적 보정을 피함.
• 저차원 행렬의 SVD로부터 직접 DMD 모드와 진폭을 계산함으로써 효율적인 감소된 순서 모델링을 가능하게 함.

실험 결과

연구 질문

• RQ1 비볼록 저질서 DMD 근사 문제에 대해 폐쇄형 최적 해를 도출할 수 있는가?
• RQ2 제안된 방법이 기존의 반복적 또는 가정 기반 접근법보다 정확도와 강건성 면에서 뛰어나게 성능을 발휘하는가?
• RQ3 반복 최적화나 제한적인 선형 종속성 가정 없이도 효율적으로 해를 계산할 수 있는가?
• RQ4 비선형 시스템에서 최적 해의 성능이 단순 절단된 전순위 DMD 또는 투영 DMD와 비교해 어떻게 되는가?
• RQ5 선형 및 비선형 케이스를 포함한 다양한 시스템 역학에서 제안된 방법이 강건한가?

주요 결과

• 모든 테스트 설정에서 제안된 알고리즘이 ∥Y − Â_kX∥_F 오차 노름을 최소화하여 최적성의 확인을 받았다.
• 비선형 시스템(설정 iii)에서 제안된 방법(a)은 투영 DMD(c)보다 뚜렷이 뛰어나며, k > 10일 경우 오차가 1000% 이상 증가한다.
• 선형 종속성 가정을 만족하는 선형 시스템(설정 i)에서는 제안된 방법이 투영 DMD(c)와 동일한 성능을 보여 이상적인 경우 최적성을 확인한다.
• 절단된 전순위 DMD 해(b)는 k < 30일 경우 성능이 열악하여 단순 절단의 열등성을 보여준다.
• k ≥ r = 30일 경우 모든 방법이 기저의 저차원 부분공간을 정확히 식별하여, 방법의 진정한 시스템 질서와의 일致성을 확인한다.
• 반복 보정이나 제한적인 모델링 가정 없이도 최적 성능를 달성함으로써, 폐쇄형 해가 존재한다는 것을 증명한다.