[논문 리뷰] Symplectic Model Reduction of Hamiltonian Systems on Nonlinear Manifolds

Patrick Buchfink, Silke Glas외 1명|arXiv (Cornell University)|2021. 12. 20.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 비선형 다양체 위의 해밀턴 시스템을 위한 모델 순서 감소를 위해 심플렉틱 다양체 갈레르킨(SMG) 투영을 제안하며, 심플렉틱성, 에너지 보존 및 안정성을 유지한다. 이 방법은 약간의 심플렉틱성을 갖는 딥 컨volution 오토인코더를 사용하여 비선형 심플렉틱 시험 다양체를 구성하며, 기존의 선형 부분공간 또는 비심플렉틱 다양체 기반 방법보다 낮은 차원에서 뛰어난 정확도를 달성한다.

ABSTRACT

Classical model reduction techniques project the governing equations onto linear subspaces of the high-dimensional state-space. For problems with slowly decaying Kolmogorov-n-widths such as certain transport-dominated problems, however, classical linear-subspace reduced-order models (ROMs) of low dimension might yield inaccurate results. Thus, the concept of classical linear-subspace ROMs has to be extended to more general concepts, like Model Order Reduction (MOR) on manifolds. Moreover, as we are dealing with Hamiltonian systems, it is crucial that the underlying symplectic structure is preserved in the reduced model, as otherwise it could become unphysical in the sense that the energy is not conserved or stability properties are lost. To the best of our knowledge, existing literature addresses either MOR on manifolds or symplectic model reduction for Hamiltonian systems, but not their combination. In this work, we bridge the two aforementioned approaches by providing a novel projection technique called symplectic manifold Galerkin (SMG), which projects the Hamiltonian system onto a nonlinear symplectic trial manifold such that the reduced model is again a Hamiltonian system. We derive analytical results such as stability, energy-preservation and a rigorous a-posteriori error bound. Moreover, we construct a weakly symplectic deep convolutional autoencoder as a computationally practical approach to approximate a nonlinear symplectic trial manifold. Finally, we numerically demonstrate the ability of the method to outperform (non-)structure-preserving linear-subspace ROMs and non-structure-preserving MOR on manifold techniques.

연구 동기 및 목표

• 느린 코모고로프-n-폭이 감소하는 문제를 다루는 데 있어 전통적인 선형 부분공간 기반 저차원 모델(ROM)의 한계를 해결한다.
• 심플렉틱 모델 감소와 다양체 기반 모델 순서 감소(MOR) 간의 격차를 메운다. 이 두 분야는 이전에 별도로 연구되어 왔다.
• 비선형 다양체 위에서 해밀턴 구조—특히 심플렉틱성, 에너지 보존 및 리아푸노프 안정성—을 유지하는 투영 기법을 개발한다.
• 비선형 심플렉틱 시험 다양체를 근사하기 위해 계산적으로 실현 가능한 약간의 심플렉틱성을 갖는 딥 컨volution 오토인코더(DCA)를 구축한다.
• 제안된 SMG-ROM이 비구조 보존 ROM 및 비심플렉틱 다양체 기반 MOR보다 정확도와 장기적 안정성에서 뛰어나다는 것을 입증한다.

제안 방법

• 비선형 심플렉틱 시험 다양체 위로 전체 차원 해밀턴 시스템을 투영하는 심플렉틱 다양체 갈레르킨(SMG) 투영 기법을 제안한다.
• 다양체의 기하학적 구조와 투영 제약 조건을 통해 심플렉틱성을 강제함으로써 감소된 시스템이 해밀턴 구조를 유지하도록 보장한다.
• 시간 이산화된 공식화를 기반으로 엄밀한 후행 오차 경계를 유도하여 감소 모델의 오차 제어를 가능하게 한다.
• 패널티 항목이 아닌 아키텍처 제약 조건을 통해 심플렉틱성을 강제하는 약간의 심플렉틱성을 갖는 딥 컨볼루션 오토인코더(DCA)를 설계한다.
• 기존의 심플렉틱 ROM에서 사용하는 동일한 고정밀도 샘플을 DCA 학습에 사용하여 공정한 비교를 가능하게 한다.
• DCA를 SMG 투영과 통합하여 에너지 보존 및 안정성이 약간의 가정 하에 유지되는 감소 모델을 생성한다.

실험 결과

연구 질문

• RQ1 심플렉틱 모델 감소는 느린 코모고로프-n-폭 감소를 보이는 문제에 대해 비선형 다양체로 효과적으로 확장될 수 있는가?
• RQ2 감소된 모델에서 심플렉틱성을 유지하면 비심플렉틱 접근법 대비 더 나은 에너지 보존과 장기적 안정성을 달성할 수 있는가?
• RQ3 약간의 심플렉틱성을 갖는 딥 컨볼루션 오토인코더는 계산 가능성을 유지하면서도 비선형 심플렉틱 시험 다양체를 효과적으로 근사할 수 있는가?
• RQ4 SMG-ROM은 해밀턴 시스템에 대해 기존의 선형 부분공간 ROM 및 비심플렉틱 다양체 기반 MOR에 비해 정확도와 안정성 면에서 어떻게 비교되는가?
• RQ5 오토인코더 기반 다양체 학습에서 아키텍처 기반 강제와 손실 기반 패널티 간의 심플렉틱성 강제 방식에 미치는 영향은 무엇인가?

주요 결과

• 약간의 가정 하에 SMG-ROM은 심플렉틱성, 에너지 보존 및 리아푸노프 안정성을 유지하며, 감소 모델의 물리적 일관성을 보장한다.
• 약간의 심플렉틱성을 갖는 DCA는 시간이 지남에 따라 해밀턴ian 오차가 5.5×10⁻⁴ 이하로 유지되며, 비심플렉틱 DCA는 t=1 시점에서 최대 2까지 오차를 보이며 뚜렷한 성능 열등성을 보인다.
• 파동 방정식에 의해 제어되는 이동 펄스 문제에서 SMG-ROM은 매우 낮은 차원의 다양체로도 낮은 감소 오차를 달성하며, 기존의 선형 부분공간 ROM을 능가한다.
• 비심플렉틱 다양체 기반 MOR 방법은 다양체 학습이 이루어져도 열악한 해를 제공함을 시사하며, 해밀턴 시스템에서 정확도를 확보하기 위해 심플렉틱성이 필수적임을 나타낸다.
• 이 방법은 오토인코더 기반 접근법의 과제를 이어받으며, 증가된 하이퍼파rameter 수와 완전한 오프라인-온라인 분리의 부재로 인해 향후 하이퍼-리듀션 및 심플렉틱 아키텍처 설계에 대한 연구가 필요하다.
• 수치 결과는 약간의 심플렉틱성을 갖는 DCA를 사용한 SMG-ROM이 낮은 해밀턴ian 오차와 심플렉틱성 오차를 유지하는 반면, 비심플렉틱 변형은 에너지 보존 면에서 크게 발산됨을 보여준다.