[논문 리뷰] PySINDy: A Python package for the Sparse Identification of Nonlinear Dynamics from Data

Brian M. de Silva, Kathleen Champion외 4명|arXiv (Cornell University)|2020. 04. 17.

Model Reduction and Neural Networks참고 문헌 74인용 수 34

한 줄 요약

PySINDy는 데이터로부터 지배하는 다이나믹스 시스템을 발견하기 위한 SINDy 프레임워크의 파이썬 구현을 제공하며, 모듈식 미분, 라이브러리, 희소 회귀 구성요소 그리고 scikit-learn 호환성을 갖추고 있다.

ABSTRACT

PySINDy is a Python package for the discovery of governing dynamical systems models from data. In particular, PySINDy provides tools for applying the sparse identification of nonlinear dynamics (SINDy) (Brunton et al. 2016) approach to model discovery. In this work we provide a brief description of the mathematical underpinnings of SINDy, an overview and demonstration of the features implemented in PySINDy (with code examples), practical advice for users, and a list of potential extensions to PySINDy. Software is available at https://github.com/dynamicslab/pysindy.

연구 동기 및 목표

• 데이터 기반의 동적 시스템 발견을 촉진하고 해석 가능한 모델을 제공한다.
• 접근 가능한 scikit-learn 스타일의 설계로 SINDy를 구현한 파이썬 패키지를 제공한다.
• 유연성과 확장을 위한 모듈식 구성요소(미분, 라이브러리, 최적화)를 제공한다.
• 예제(예: 로렌츠 시스템)와 사용자에게 실질적인 지침을 제공하는 사용 시연을 한다.

제안 방법

• 다이나믹 시스템을 d x/dt = f(x)로 형식화하고, f를 Θ(x) 렌더링된 라이브러리 함수의 희소 선형 결합으로 근사한다.
• 다이나믹스를 Ẋ ≈ Θ(X)Ξ로 표현하고, 희소 회귀를 사용하여 Ξ를 구한다.
• 세 개의 모듈형 구성요소 differentiation_method, feature_library, and optimizer를 갖는 scikit-learn 추정기로 핵심 PySINDy 객체를 설계한다.
• 미분(FiniteDifference, SmoothedFiniteDifference), 라이브러리(PolynomialLibrary, FourierLibrary, CustomLibrary, IdentityLibrary), 최적화(STLSQ, SR3)에 대한 내장 옵션을 제공하고, 사용자의 확장을 지원한다.
• 데이터 준비, 모델 적합, 도함수 계산, 예측, 시뮬레이션 등 실용적인 워크플로를 포함한다.
• 로렌츠 시스템 모델링과 커스텀 특성 사용을 보여주는 튜토리얼 및 코드 예제를 포함한다.

실험 결과

연구 질문

• RQ1 비선형 다이내믹스의 희소 식별을 어떻게 접근 가능하고 확장 가능한 파이썬 패키지로 구현할 수 있는가?
• RQ2 scikit-learn 스타일 API 내에서 SINDy를 유연하게 적용하기 위해 필요한 모듈식 구성요소(미분, 라이브러리 구성, 최적화)는 무엇인가?
• RQ3 다양한 미분 방법, 라이브러리, 최적화가 표준 다이나믹 시스템(예: 로렌츠)에서 SINDy 모델 복구에 어떤 영향을 미치는가?
• RQ4 PySINDy가 합리적인 기본값과 사용 가능한 옵션을 제공하여 초보자와 고급 연구자 모두를 지원할 수 있는가?
• RQ5 잡음에 대한 강건성을 향상시키고 적용 범위를 넓히기 위한 지침과 확장(PDE, 잠재 좌표, 제약 등)은 어떤 것이 가능한가?

주요 결과

• PySINDy는 scikit-learn 스타일 인터페이스를 갖춘 SINDy를 위한 중심적이고 확장 가능한 코드베이스를 제공합니다.
• 패키지는 여러 가지 미분, 라이브러리 및 최적화 옵션을 지원하여 데이터로부터의 유연한 모델 발견을 가능하게 합니다.
• 학습된 다이내믹스를 맞추고, 미분하고, 예측하고, 시뮬레이션하는 실용적인 워크플로를 보여줍니다(예: 로렌츠 시스템).
• 내장 옵션에는 FiniteDifference, SmoothedFiniteDifference, PolynomialLibrary, FourierLibrary, CustomLibrary, IdentityLibrary, STLSQ, SR3가 포함되며, 사용자 정의 구성요소를 지원합니다.
• 문서와 튜토리얼(GitHub)은 초보자와 고급 사용자를 위한 광범위한 예제와 지침을 제공합니다.
• 저자들은 수치 미분, 라이브러리 선택, 정규화, 강건성 및 적용 가능성을 향상시키기 위한 잠재적 확장에 대한 실용적인 팁을 논의합니다.