[논문 리뷰] Scalable Pseudospectral Analysis via Low-Rank Approximations of Dynamical Systems

Vladimir R. Kostic, Dragana Lj. Cvetković외 1명|arXiv (Cornell University)|2026. 02. 02.

Stochastic Gradient Optimization Techniques인용 수 0

한 줄 요약

본 논문은 저랭크 이론을 개발하여 pseudospectral 분석에 대한 이론을 제시하고, 대형 행렬의 pseudospectrum 및 안정성 양은 명시적 고유값 특성화 및 무작위 알고리즘을 사용한 저랭크 대체물로부터 계산될 수 있음을 보인다. 이는 데이터 기반 및 고차원 동적 시스템에 대한 확장 가능한 분석을 가능하게 한다.

ABSTRACT

Pseudospectral analysis is fundamental for quantifying the sensitivity and transient behavior of nonnormal matrices, yet its computational cost scales cubically with dimension, rendering it prohibitive for large-scale systems. While existing research on scalable pseudospectral computation has focused on exploiting sparsity structures, common in discretizations of differential operators, these approaches are ill-suited for machine learning and data-driven dynamical systems, where operators are typically dense but approximately low-rank. In this paper, we develop a comprehensive low-rank framework that dramatically reduces this computational burden. Our core theoretical contribution is an exact characterization of the pseudospectrum of arbitrary low-rank matrices, reducing the evaluation of resolvent norms to eigenvalue problems of dimension proportional to the rank. Building on this foundation, we derive rigorous inclusion sets for the pseudospectra of general matrices via truncated and randomized low-rank approximations, with explicit perturbation bounds. These results enable efficient estimators for key stability quantities, including distance to instability and Kreiss constants, at a cost that scales with the effective rank rather than the ambient dimension. We further demonstrate how our framework naturally extends to data-driven settings, providing pseudospectral analysis of transfer operators learned from nonlinear and stochastic dynamical systems. Numerical experiments confirm orders-of-magnitude speedups while preserving accuracy, opening pseudospectral analysis to previously intractable high-dimensional problems in computational PDEs, control theory, and data-driven dynamics.

연구 동기 및 목표

• 대형 또는 데이터 기반 시스템에서 비정상성, 과도한 증가(전이 현상), 강건성을 정량화하는 도구로서의 pseudospectral 분석 동기 부여.
• 저랭크 행렬의 pseudospectrum을 정확하게 특성화하는 이론 개발.
• distance to instability 및 Kreiss 상수와 같은 핵심 pseudospectral 작업에 대한 저차원 고유값 특성화 제공.
• 절단/무작위 저랭크 근사와 섭동 보장을 갖춘 프레임워크 확장.
• 데이터 기반 전달 연산자 및 비선형 확률적 동역학과의 연결 고리 제시.

제안 방법

• 일반적인 저랭크 행렬 A = UV*의 pseudospectrum을 특성화하여 resolvent 노름 계산을 구조화된 2r x 2r 행렬 M_{U,V}(z)의 최소 고유값으로 축소한다.
• μ_{U,V}(z) = sqrt(λ_min(M_{U,V}(z)))가 (zI - UV*)의 최소 특잉값과 같음을 보인다.
• 절단 및 무작위 저랭크 근사를 통한 명시적 섭동 경계와 함께 pseudospectrum의 포함 집합을 도출한다.
• 단위 원과 허수 축과의 교점을 저차원 일반화 고유값 문제로 환원하는 교차(intersection) 결과를 제공한다.
• Koopman 및 전달 연산자와 같은 데이터 기반 연산자 학습 설정에 프레임워크를 확장하여 궤적 데이터로부터 pseudospectral 분석 가능.
• 저랭크 계수에 대해 O(r^3), 저랭크 근사 구성에 대해 O(rd^2)의 계산 복잡도 감소를 논의한다.

실험 결과

연구 질문

• RQ1 대형 행렬의 pseudospectrum을 저랭크 대체물로부터 efficiently 추정할 수 있는가?
• RQ2 주어진 허용오차 내에서 핵심 pseudospectral 특징을 포착하는 최소 차수는 얼마인가?
• RQ3 대형 또는 데이터 기반 시스템에 대해 instability까지의 거리 및 Kreiss 상수를 효율적으로 계산할 수 있는가?
• RQ4 확률적이고 절단된 저랭크 근사를 pseudospectral 분석과 함께 보장과 함께 어떻게 통합할 수 있는가?
• RQ5 비선형 또는 확률적 동역학으로부터 학습된 데이터 기반 전달 연산자에 프레임워크를 적용할 수 있는가?

주요 결과

• 임의의 저랭크 행렬에 대한 pseudospectrum의 정확한 특성화가 작은 M_{U,V}(z) 행렬을 통해 주어지며, resolvent-노름 계산을 2r x 2r 고유값 문제로 축소한다.
• 선과 원과의 교차에 대한 저차원 고유값 특성화를 얻어 크로스-인터섹션(Criss-Cross) 방법을 가능하게 한다.
• 무작위 SVD 및 스케치 기법이 이론과 호환되어 pseudospectra, instability까지의 거리, Kreiss 상수에 대한 확장 가능한 추정치를 제공한다.
• 비선형 및 확률적 동역학으로 학습된 데이터 기반 전달 연산자에 프레임워크가 자연스럽게 확장되어 궤적 데이터로부터 pseudospectral 분석 가능.
• 수치 실험에서 중요한 동적 정보를 유지하면서도 수십 배의 속도 향상을 보여준다.