[논문 리뷰] S-OPT: A Points Selection Algorithm for Hyper-Reduction in Reduced Order Models

Jessica T. Lauzon, Siu Wun Cheung외 4명|arXiv (Cornell University)|2022. 03. 29.

Model Reduction and Neural Networks인용 수 12

한 줄 요약

이 논문은 감소 차수 모델(ROMs)에서 초차원화(hyper-reduction)를 위한 점 선택 알고리즘인 S-OPT를 소개한다. S-OPT는 선택된 기저 투영의 열 간 직교성과 행렬 행렬식을 최대화하여 수치적 안정성을 향상시킨다. S-OPT는 특히 저표본 영역에서 더 나은 공간 분포와 직교성 유지 덕분에, 더 적은 샘플링 인덱스로도 오버샘플드 이산 경험 보간법(DEIM)보다 더 낮은 투영 오차와 해 오차를 달성하여 우월한 성능을 보인다.

ABSTRACT

While projection-based reduced order models can reduce the dimension of full order solutions, the resulting reduced models may still contain terms that scale with the full order dimension. Hyper-reduction techniques are sampling-based methods that further reduce this computational complexity by approximating such terms with a much smaller dimension. The goal of this work is to introduce a points selection algorithm developed by Shin and Xiu [SIAM J. Sci. Comput., 38 (2016), pp. A385--A411], as a hyper-reduction method. The selection algorithm is originally proposed as a stochastic collocation method for uncertainty quantification. Since the algorithm aims at maximizing a quantity S that measures both the column orthogonality and the determinant, we refer to the algorithm as S-OPT. Numerical examples are provided to demonstrate the performance of S-OPT and to compare its performance with an over-sampled Discrete Empirical Interpolation (DEIM) algorithm. We found that using the S-OPT algorithm is shown to predict the full order solutions with higher accuracy for a given number of indices.

연구 동기 및 목표

• 비선형 감소 차수 모델(ROMs)에서 전체 순서 모델(FOM) 크기와 비례하는 고차원 비선형 항으로 인한 계산 병목 현상을 해결하기 위해.
• 선택된 기저의 직교성과 행렬 행렬식을 유지함으로써 초차원화의 정확도와 안정성을 향상시키기 위해.
• 특히 이동 dominant 및 복잡한 유동 문제에서 비선형 PDE에 대한 초차원화에서 S-OPT의 성능을 오버샘플드 DEIM와 비교하기 위해.
• 특히 저표본 영역에서 더 적은 샘플링 인덱스로 더 빠른 수렴과 더 낮은 오차를 달성할 수 있음을 보여주기 위해.

제안 방법

• S-OPT는 기저 행렬의 열 간 직교성과 행렬식을 균형 잡는 양 𝒮를 최대화함으로써 샘플링 점을 선택한다. 이는 수치적 안정성을 향상시킨다.
• 이 알고리즘은 원래 불확실성 정량화를 위한 목적을 가진 확률적 콜로케이션 방법에서 유도되었으며, ROMs의 초차원화를 위해 재사용되었다.
• S-OPT는 해의 변화가 높은 영역에 걸쳐 더 균일하게 분포된 인덱스를 선택함으로써 근사 품질을 향상시킨다.
• 이 방법은 초차원화에서 비선형 항 근사의 품질을 평가하기 위한 핵심 지표로 기울어진 투영 오차를 사용한다.
• 샘플링 인덱스의 수를 변화시키며 S-OPT와 오버샘플드 DEIM을 비교하고, 투영 오차와 해 오차를 측정한다.
• 비선형 항이 운동량 및 에너지 보존 방정식에서 유래하는 벤치마크 문제들인 Gresho 소용돌이와 3D Sedov 폭발 문제에서 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 S-OPT는 ROM에서 비선형 항의 초차원화 오차를 줄이는데 있어 오버샘플드 DEIM보다 어떻게 비교되는가?
• RQ2 S-OPT는 더 적은 샘플링 인덱스로도 기울어진 투영 오차를 더 낮출 수 있으며, 해 정확도를 유지하거나 향상시킬 수 있는가?
• RQ3 S-OPT에서 선택된 점의 공간 분포는 DEIM에 비해 더 나은 수치적 안정성과 오차 증가 억제를 이끌어내는가?
• RQ4 샘플링 인덱스 수가 증가함에 따라 S-OPT와 DEIM 간의 투영 오차 감쇠 속도는 어떻게 다른가?
• RQ5 S-OPT의 직교성 유지 선택 전략은 이동 dominant 문제에서 ROM의 안정성과 수렴성에 어떤 영향을 미치는가?

주요 결과

• 에너지 보존 방정식의 비선형 항에 대해 모든 테스트 스크래치 샘플에서 S-OPT는 오버샘플드 DEIM보다 유의미하게 낮은 기울어진 투영 오차를 달성한다.
• 샘플링 인덱스 수가 증가함에 따라 S-OPT는 DEIM보다 더 빠른 속도로 기울어진 투영 오차가 감소함을 보여, 열악한 수렴 성능을 유도한다.
• 3D Sedov 폭발 문제에서 S-OPT는 특히 저표본 수준에서 DEIM보다 더 안정적이고 낮은 최종 시점 L² 해 오차를 생성한다.
• S-OPT로 선택된 점들은 해의 변화가 높은 영역에 더 균일하게 분포되어 있어 근사 품질을 향상시킨다.
• 20개 이하의 샘플링 인덱스를 사용할 경우, S-OPT는 DEIM에서 관찰되는 급격한 악화와는 달리 상대 오차의 더 매끄럽고 예측 가능한 증가를 보인다.
• 직교 투영 오차는 하한으로서 기능하며, S-OPT는 DEIM보다 이 하한에 더 빠르게 접근함으로써 더 나은 근사 품질을 나타낸다.