[논문 리뷰] Reduced-basis method for the iterative solution of parametrized symmetric positive-definite linear systems

Ngoc Cuong Nguyen, Yanlai Chen|arXiv (Cornell University)|2018. 04. 17.

Advanced Numerical Methods in Computational Mathematics참고 문헌 24인용 수 3

한 줄 요약

이 논문은 감마 알고리즘을 사용하여 저차원 부분공간을 구성하고, 이를 독립적인 반복 해법 또는 코그래디언트(Conjugate Gradient, CG) 방법의 조절자로 사용하여, 매개변수화된 대칭 양의 정부호(Symmetric Positive-Definite, SPD) 선형계를 효율적으로 해결하기 위한 새로운 감소 기저(Reduced Basis, RB) 방법을 제안한다. 이 방법은 다중 격자(preconditioned CG)와 유사한 수렴 속도를 달성하지만 반복당 계산 비용이 훨씬 낮아, 메모리나 시간 제약으로 인해 다중 격자가 비실용적인 대규모 문제에 적용 가능하다.

ABSTRACT

We present a class of reduced basis (RB) methods for the iterative solution of parametrized symmetric positive-definite (SPD) linear systems. The essential ingredients are a Galerkin projection of the underlying parametrized system onto a reduced basis space to obtain a reduced system; an adaptive greedy algorithm to efficiently determine sampling parameters and associated basis vectors; an offline-online computational procedure and a multi-fidelity approach to decouple the construction and application phases of the reduced basis method; and solution procedures to employ the reduced basis approximation as a {\em stand-alone iterative solver} or as a {\em preconditioner} in the conjugate gradient method. We present numerical examples to demonstrate the performance of the proposed methods in comparison with multigrid methods. Numerical results show that, when applied to solve linear systems resulting from discretizing the Poisson's equations, the speed of convergence of our methods matches or surpasses that of the multigrid-preconditioned conjugate gradient method, while their computational cost per iteration is significantly smaller providing a feasible alternative when the multigrid approach is out of reach due to timing or memory constraints for large systems. Moreover, numerical results verify that this new class of reduced basis methods, when applied as a stand-alone solver or as a preconditioner, is capable of achieving the accuracy at the level of the {\em truth approximation} which is far beyond the RB level.

연구 동기 및 목표

• 매개변수화된 편미분방정식에서 발생하는 매개변수화된 대칭 양의 정부호(Symmetric Positive-Definite, SPD) 선형계의 반복적 해법에 특화된 감소 기저(Reduced Basis, RB) 방법을 개발하기 위해.
• 설계, 최적화 또는 불확실성 정량화 과정에서 많은 매개변수 값에 대해 이러한 선형계를 반복적으로 해결하는 데 발생하는 계산 블로킹 문제를 해결하기 위해.
• 오프라인-온라인 계산 절차를 통해 오프라인 RB 구축 단계와 온라인 해법 적용 단계를 분리하기 위해.
• RB 근사가 독립적인 반복 해법으로도, 그리고 CG 방법의 효과적인 조절자로도 기능할 수 있도록 하기 위해.
• 감소 기저 공간의 내재적 해상도를 초월하여, 높은 정확도를 유지함으로써 진실값 근사 수준과 동일한 정확도를 확보하기 위해.

제안 방법

• 매개변수화된 시스템을 감소 기저(RB) 부분공간에 갈레르킨 프로젝션을 적용하여 더 작은 감소 선형계를 형성한다.
• 적응형 게리티브 알고리즘이 샘플링 매개변수와 관련된 해의 스냅샷을 선택하여, 빠른 오차 감소를 보장하는 효율적인 RB 부분공간을 구성한다.
• 오프라인-온라인 분리 구조를 구현한다: 오프라인에선 RB 부분공간과 관련 연산자가 구성되고, 온라인에선 오직 감소된 시스템만이 해석된다.
• RB 근사는 독립적인 반복 해법(RBI) 또는 코그래디언트(Conjugate Gradient, CG) 방법의 조절자(RBCG)로 사용된다.
• 구성 단계와 적용 단계를 분리하기 위해 다중 정밀도 다수의 접근법을 사용하여 계산 효율성을 향상시킨다.
• 사후 오차 추정기법을 통해 RB 해의 정확도가 고정밀도 진실값 해에 비해 얼마나 정확한지를 인증한다.

실험 결과

연구 질문

• RQ1 감소 기저 방법이 매개변수화된 SPD 선형계의 반복 해법 또는 조절자로 효과적으로 적용될 수 있는가?
• RQ2 RB 기반 반복 방법의 수렴 속도는 전통적인 다중 격자 조절된 CG와 비교해 반복 횟수 측면에서 어떻게 다른가?
• RQ3 RB 기반 방법의 반복당 계산 비용은 다중 격자 조절된 CG와 비교해 어떻게 되며, 이는 전체 효율성에 어떤 영향을 미치는가?
• RQ4 감소 기저 차원을 증가시킬수록 다양한 매개변수 값에서 수렴 속도와 안정성은 얼마나 향상되는가?
• RQ5 낮은 차원의 부분공간을 사용하더라도 RB 기반 방법이 진실값 근사 수준과 동등한 높은 정확도를 유지할 수 있는가?

주요 결과

• 포아송 방정식 이산화에 대해, RB 기반 방법은 다중 격자 조절된 CG와 유사하거나 더 빠른 수렴 속도를 달성하여 유사하거나 더 낮은 반복 횟수를 기록한다.
• RB 방법의 반복당 계산 비용은 다중 격자 조절된 CG보다 크게 낮아, 총 해석 시간이 수개의 주기수만큼 감소한다.
• 1차원 RB 부분공간을 사용할 경우, 표준 CG 대비 반복 횟수를 절반으로 줄이고, 5차원 RB를 사용하면 반복 횟수가 10분의 1로 감소한다.
• 독립적 반복 해법(RBI) 또는 조절자(RBCG)로 적용되었을 때, 방법은 감소 기저 공간의 명목상 해상도를 훨씬 초월해 진실값 근사 수준의 정확도를 달성한다.
• 200만 개 이상의 자유도를 가진 대규모 시스템에서 RBCG 방법은 효율적이고 확장 가능하지만, 다중 격자는 다중 제약/확장 연산자의 복잡성과 메모리 제약으로 인해 비실용적이 된다.
• 감소 기저 차원이 증가할수록 RB 기반 방법의 수렴 성능이 단조롭게 향상되며, 매개변수 샘플에 걸쳐 평균 단계 수가 감소하는 것으로 나타났다.