[논문 리뷰] Shallow Recurrent Decoder for Reduced Order Modeling of Plasma Dynamics

J. Nathan Kutz, Maryam Reza외 2명|arXiv (Cornell University)|2024. 05. 20.

Plasma Diagnostics and Applications인용 수 7

한 줄 요약

본 논문은 SHRED를 도입한다. 이는 E×B 플라즈마 다이나믹의 저차원 모델링을 위한 얕은 순환 디코더 신경망으로, 제한된 센서 측정으로부터 재구성 및 예측을 가능하게 한다.

ABSTRACT

Reduced order models are becoming increasingly important for rendering complex and multiscale spatio-temporal dynamics computationally tractable. The computational efficiency of such surrogate models is especially important for design, exhaustive exploration and physical understanding. Plasma simulations, in particular those applied to the study of ${\bf E} imes {\bf B}$ plasma discharges and technologies, such as Hall thrusters, require substantial computational resources in order to resolve the multidimentional dynamics that span across wide spatial and temporal scales. Although high-fidelity computational tools are available to simulate such systems over limited conditions and in highly simplified geometries, simulations of full-size systems and/or extensive parametric studies over many geometric configurations and under different physical conditions are computationally intractable with conventional numerical tools. Thus, scientific studies and industrially oriented modeling of plasma systems, including the important ${\bf E} imes {\bf B}$ technologies, stand to significantly benefit from reduced order modeling algorithms. We develop a model reduction scheme based upon a {\em Shallow REcurrent Decoder} (SHRED) architecture. The scheme uses a neural network for encoding limited sensor measurements in time (sequence-to-sequence encoding) to full state-space reconstructions via a decoder network. Based upon the theory of separation of variables, the SHRED architecture is capable of (i) reconstructing full spatio-temporal fields with as little as three point sensors, even the fields that are not measured with sensor feeds but that are in dynamic coupling with the measured field, and (ii) forecasting the future state of the system using neural network roll-outs from the trained time encoding model.

연구 동기 및 목표

• 다중 스케일 플라즈마 다이나믹스를 계산적으로 다룰 수 있도록 저차원 모델의 필요성을 제시한다.
• 적은 수의 센서로부터의 시계열을 이용해 전체 시공간 필드를 재구성하는 SHallow REcurrent Decoder(SHRED) 아키텍처에 기반한 데이터 기반 ROM을 개발한다.
• 재구성 및 예측 가능성을 보이기 위해 Hall 스러스터를 닮은 2D 반경-방위 플라즈마 구성에서 SHRED를 시연한다.
• 압축 표현에 대한 학습과 직접 측정되지 않은 필드의 재구성을 가능하게 한다.
• 변수 분리에 대한 이론적 근거와 비선형 편미분 방정식에의 적용 가능성을 강조한다.

제안 방법

• 제한된 수의 센서로부터의 측정을 모델링하기 위해 시계열 인코더(LSTM)를 사용한다.
• LSTM 잠재 상태를 고차원 필드 공간 또는 그 압축된 SVD 공간으로 매핑하기 위해 얕은 디코더를 사용한다.
• 희박한 센서 데이터로부터 14개의 결합된 플라즈마 필드를 재구성하도록 SHRED를 학습시킨다.
• 무작위 SVD를 이용해 효율적인 학습을 위한 저랭크 표현을 얻는다.
• 2D Hall 스러스터–유사 설정에 SHRED를 적용하여 재구성 및 신경망 롤아웃을 통한 단기 예측을 시연한다.

실험 결과

연구 질문

• RQ1 SHRED가 몇 개의 센서 위치에서의 측정만으로도 전체 시공간 플라즈마 필드를 재구성할 수 있는가?
• RQ2 학습된 시간 인코딩을 이용해 플라즈마 다이나믹의 미래 상태를 예측할 수 있는가?
• RQ3 데이터의 압축(저랭크) 표현에 대해 학습될 때 SHRED의 성능은 어떠한가?
• RQ4 다중 필드 플라즈마 다이나믹스의 비선형성 및 결합에 대해 SHRED가 견고한가?
• RQ5 정확한 재구성을 가능하게 하는 센서 배치와 궤적의 역할은 무엇인가? Denise? (Note: keep as stated in paper)

주요 결과

• SHRED는 정확히 3개의 지점 센서만으로도 전체 시공간 필드를 재구성할 수 있다.
• SHRED는 압축 표현으로 학습하고 SVD의 U 행렬을 통해 고차원 공간으로 매핑할 수 있다.
• SHRED는 테스트 데이터에서 시연된 14개 결합 플라즈마 필드에 대해 정확한 재구성을 제공한다.
• SHRED는 비선형 결합 PDE 유사 다이나믹스에서 충실도를 유지하며 LSTM 롤아웃을 통한 미래 상태 예측을 지원한다.
• 재구성은 단일 측정된 필드와 시간 이력을 이용해 직접 측정되지 않은 필드를 포함한 모든 필드를 회복한다.
• 무작위 SVD 표현에 대한 학습은 정확도를 해치지 않으면서 계산 비용을 크게 줄인다.