[논문 리뷰] Practicable Simulation-Free Model Order Reduction by Nonlinear Moment Matching

María Cruz de Carlos Varona, Raphael Gebhart외 2명|arXiv (Cornell University)|2019. 01. 30.

Model Reduction and Neural Networks참고 문헌 29인용 수 4

한 줄 요약

이 논문은 비선형 시스템을 위한 시뮬레이션 불필요하고 수치적으로 효율적인 모델 순서 축소 방법을 제안한다. 비선형 편미분방정식(PDE)의 해를 구하는 데 드는 계산 비용을 비선형 대수방정식(NLSEs)의 해로 대체함으로써, 훈련 중에 전체 차수 시뮬레이션을 요구하지 않으면서도 실현 가능하고 고정밀도의 저차원 모델을 구현할 수 있다.

ABSTRACT

In this paper, a practicable simulation-free model order reduction method by nonlinear moment matching is developed. Based on the steady-state interpretation of linear moment matching, we comprehensively explain the extension of this reduction concept to nonlinear systems presented in [1], provide some new insights and propose some simplifications to achieve a feasible and numerically efficient nonlinear model reduction algorithm. This algorithm relies on the solution of nonlinear systems of equations rather than on the expensive simulation of the original model or the difficult solution of a nonlinear partial differential equation.

연구 동기 및 목표

• 비선형 시스템을 위한 실용적이고 시뮬레이션 불필요한 모델 순서 축소 기법을 개발하기 위해.
• 기존 비선형 모멘트 매칭 접근법에서 비선형 실베스터 유사 PDE를 풀이하는 계산적 병목 현상을 극복하기 위해.
• 전체 차수 시뮬레이션 대신 비선형 방정식 시스템의 해를 구하는 것으로 교체하여 효율적인 저차원 모델링을 가능하게 하기 위해.
• 궤적 기반 데이터에 의존하지 않고 비선형 모멘트를 매칭할 수 있는 수치적으로 실현 가능한 알고리즘을 제공하기 위해.
• 기본 비선형 PDE 시스템(FitzHugh-Nagumo) 기준 테스트에서 제안된 방법의 유효성을 입증하기 위해.

제안 방법

• 지수 입력에 대한 비선형 시스템의 정 steady-state 응답을 기반으로 한 비선형 모멘트 매칭 프레임워크를 제안한다.
• 비선형 편미분방정식의 해를 구하는 대신 신호 생성기로부터 유도된 비선형 대수방정식(NLSEs)의 해를 구하는 것으로 대체한다.
• NLSE 해가 생성하는 부분공간에 대한 선형 투영을 통해 저차원 모델을 구성한다.
• 시스템의 비선형 행동을 포괄하는 입력 궤적을 생성하기 위해 사용자 정의 신호 생성기를 사용한다.
• 더 작은 크기의 NLSE 해 행렬에 대해 특이값 분해(SVD)를 적용하여 저차원 기저를 추출한다.
• 기저 행렬의 역행렬을 계산하는 데서 발생하는 수치적 문제를 피하기 위해 암시적 디스크립터 시스템에 대해 암시적 형태를 직접 다룸으로써 방법을 확장한다.

실험 결과

연구 질문

• RQ1 전체 차수 시뮬레이션 또는 PDE 풀이에 의존하지 않고도 비선형 모멘트 매칭을 계산적으로 실현 가능한 방법으로 만들 수 있는가?
• RQ2 선형 시스템에서의 정 steady-state 응답 개념을 비선형 시스템으로 일반화하여 모델 축소에 활용할 수 있는가?
• RQ3 신호 생성기의 선택이 저차원 모델의 정확도와 효율성에 어떤 영향을 미치는가?
• RQ4 시뮬레이션 불필요 접근법이 POD와 같은 시뮬레이션 기반 방법과 비교해 유사하거나 더 높은 정확도를 달성할 수 있는가?
• RQ5 계산 비용과 정밀도 측면에서 제안된 방법은 데이터 기반 모멘트 추정 기법과 어떻게 비교되는가?

주요 결과

• 2000도의 자유도를 가진 FHN 모델의 경우, 제안된 방법은 훈련 시간을 382.25초에서 46.17초로 단축시켰다.
• 저차원 수준 22에서 NLMM의 상대 L1 오차 노름은 3.36×10⁻³이며, 이는 POD가 1.03×10⁻⁵를 기록한 것을 고려할 때 속도와 정확도 사이의 상충 관계를 보여준다.
• 더 높은 저차원 수준 34에서 NLMM은 상대 L1 오차 1.83×10⁻³를 달성하여 더 많은 기저 벡터로 인해 정확도가 향상됨을 보였다.
• 훈련 중에 전체 차수 시뮬레이션을 피하고, 오직 41개의 비선형 방정식 시스템을 풀기만 하여도 된다.
• 신호 생성기가 저차원 모델의 품질에 큰 영향을 미치며, 불안정한 지수 입력은 효과적으로 시스템 동역학을 포착하는 데 기여한다.
• 기저 행렬의 역행렬 계산으로 인한 수치적 문제를 피하기 위해 암시적 형태를 직접 사용함으로써, 이 방법은 암시적 디스크립터 시스템에도 적용 가능하다.