[논문 리뷰] Space-time least-squares Petrov-Galerkin projection for nonlinear model reduction

Youngsoo Choi, Kevin Carlberg|arXiv (Cornell University)|2017. 03. 14.

Model Reduction and Neural Networks참고 문헌 36인용 수 2

한 줄 요약

이 논문은 비선형 모델 축소를 위한 공간-시간 최소제곱 페트로프-갈레르킨(ST-LSPG) 투영 방법을 제안한다. 이 방법은 저차원 공간-시간 시험 부분공간에서 이산 공간-시간 잔차를 가중 ℓ²-노름으로 최소화하여 동시에 공간적 및 시간적 차원을 축소한다. 이 방법은 공간-투영 기반 ROM보다 계산 속도를 수개의 주기 수준으로 높이며, 정확도를 유지하면서 시간에 따른 오차 증가율이 더 낮아진다.

ABSTRACT

This work proposes a space-time least-squares Petrov-Galerkin (ST-LSPG) projection method for model reduction of nonlinear dynamical systems. In contrast to typical nonlinear model-reduction methods that first apply (Petrov-)Galerkin projection in the spatial dimension and subsequently apply time integration to numerically resolve the resulting low-dimensional dynamical system, the proposed method applies projection in space and time simultaneously. To accomplish this, the method first introduces a low-dimensional space-time trial subspace, which can be obtained by computing tensor decompositions of state-snapshot data. The method then computes discrete-optimal approximations in this space-time trial subspace by minimizing the residual arising after time discretization over all space and time in a weighted $\ell^2$-norm. This norm can be defined to enable complexity reduction (i.e., hyper-reduction) in time, which leads to space-time collocation and space-time GNAT variants of the ST-LSPG method. Advantages of the approach relative to typical spatial-projection-based nonlinear model reduction methods such as Galerkin projection and least-squares Petrov-Galerkin projection include: (1) a reduction of both the spatial and temporal dimensions of the dynamical system, (2) the removal of spurious temporal modes (e.g., unstable growth) from the state space, and (3) error bounds that exhibit slower growth in time. Numerical examples performed on model problems in fluid dynamics demonstrate the ability of the method to generate orders-of-magnitude computational savings relative to spatial-projection-based reduced-order models without sacrificing accuracy.

연구 동기 및 목표

• 비선형 축소모델(ROM)에서 시간 차원의 높은 차원성 문제를 해결하여 계산적 절감을 제한하고 인증을 복잡하게 만든다.
• 갈레르킨 및 LSPG 방법과 같은 공간-투영 기반 ROM에서 일반적인 지수적 오차 증가를 극복한다.
• 정확도와 안정성을 유지하면서 동시에 공간적 및 시간적 차원을 축소하는 모델 축소 프레임워크를 개발한다.
• 특히 유체역학 및 구조역학에서 장시간 비선형 동역학계의 효율적이고, 인증 가능하며 실시간 시뮬레이션을 가능하게 한다.
• 초-복잡도 및 공간-시간 콜로케이션을 통합하여 정확도를 희생시키지 않고 계산 복잡도를 감소시킨다.

제안 방법

• 훈련 시뮬레이션에서의 상태-스냅샷 데이터에 대한 텐서 분해를 이용해 저차원 공간-시간 시험 부분공간을 구성한다.
• ST-LSPG 방법을 공간-시간 잔차의 이산 최소제곱 최소화 문제로 공식화하며, 공간-시간 시험 부분공간에서 가중 ℓ²-노름을 사용한다.
• 잔차 평가의 계산 비용을 줄이기 위해 초-복잡도 기법을 적용하여 시간 복잡도를 감소시킨다.
• 적절한 샘플링 전략과 잔차 기저 구성 방식을 정의하여 공간-시간 콜로케이션 및 근사 텐서를 사용한 가우스-뉴턴(GNAT) 변형을 유도한다.
• 텐서 기반 방법을 사용해 각 훈련 시뮬레이션에서 다수의 공간-시간 기저 벡터를 추출하여 근사 효율성을 향상시킨다.
• 공간-시간 잔차 기저와 샘플링 행렬을 사용하여 예측에서 유도된 초기 추정치를 활용해 비선형 최소제곱 문제를 효율적으로 해결한다.

실험 결과

연구 질문

• RQ1 순차적 공간-투영 방법에 비해 동시에 공간-시간 투영을 수행함으로써 공간적 및 시간적 차원을 더 효과적으로 줄일 수 있는가?
• RQ2 기존 ROM과 비교해 시간에 따른 오차 증가율이 더 느린, 사전 오차 경계를 ST-LSPG 방법이 도출할 수 있는가?
• RQ3 초-복잡도 기법이 공간-시간 맥락에서 효과적으로 적용되어 계산 복잡도를 감소시킬 수 있는가?
• RQ4 정확도 및 계산 속도 측면에서 ST-LSPG는 LSPG 및 GNAT와 같은 공간-투영 기반 ROM과 비교해 어떻게 성능을 내는가?
• RQ5 다양한 시간 적분기 및 적응형 시간 스텝이 ST-LSPG 성능에 어떤 영향을 미치는가?

주요 결과

• ST-LSPG 방법은 유체역학 문제에서 공간-투영 기반 ROM인 LSPG 및 GNAT보다 계산 속도를 수개의 주기 수준으로 높인다.
• 이 방법은 공간적 및 시간적 차원을 동시에 줄여 장시간 비선형 동역학계의 효율적 시뮬레이션을 가능하게 한다.
• 최적의 공간-시간 근사 오차에 의존하는 사전 오차 경계가 유도되었으며, 시간에 따른 성장률이 이차 이하로 나타나 장시간 안정성 향상을 보인다.
• ST-LSPG-2 및 ST-GNAT 변형은 1차원 유동 방정식에 대해 상대적 벽 시간이 최소 0.01(해당 FOM 비용의 1%)에 도달했고, 상대 오차는 10⁻³ 이하였다.
• 훈련 세트 외의 파라미터 값에 대해서도 정확도를 유지하여 강건성과 일반화 능력을 입증하였다.
• 텐서 분해 기법을 사용함으로써 단일 훈련 시뮬레이션에서 공간-시간 시험 부분공간을 효율적으로 구성하고, 각 시뮬레이션에서 다수의 기저 벡터를 추출할 수 있었다.