[논문 리뷰] Variational system identification of the partial differential equations governing microstructure evolution in materials: Inference over sparse and spatially unrelated data

Z. Wang, Xun Huan외 1명|arXiv (Cornell University)|2020. 01. 11.

Model Reduction and Neural Networks참고 문헌 48인용 수 4

한 줄 요약

이 논문은 희소하고 공간적으로 분리되어 있으며 노이즈가 많은 현미경 데이터에서 재료의 미세구조 진화를 지배하는 편미분방정식(PDE)을 발견하기 위해 변분 시스템 식별(VSI) 프레임워크를 제안한다. 적응형 가중치 함수와 일致성 기반 확인 테스트를 활용함으로써, 제한된 동역학 데이터 조건에서도 최소의 단순한 PDE 연산자를 안정적으로 추론할 수 있으며, 정적 상태에서 확산 및 반응 항의 정확한 식별이 스케일링 인자까지 가능하다.

ABSTRACT

Pattern formation is a widely observed phenomenon in diverse fields including materials physics, developmental biology and ecology, among many others. The physics underlying the patterns is specific to the mechanisms, and is encoded by partial differential equations (PDEs). With the aim of discovering hidden physics, we have previously presented a variational approach to identifying such systems of PDEs in the face of noisy data at varying fidelities (Computer Methods in Applied Mechanics and Engineering, 353:201-216, 2019). Here, we extend our variational system identification methods to address the challenges presented by image data on microstructures in materials physics. PDEs are formally posed as initial and boundary value problems over combinations of time intervals and spatial domains whose evolution is either fixed or can be tracked. However, the vast majority of microscopy techniques for evolving microstructure in a given material system deliver micrographs of pattern evolution over domains that bear no relation with each other at different time instants. The temporal resolution can rarely capture the fastest time scales that dominate the early dynamics, and noise abounds. Furthermore, data for evolution of the same phenomenon in a material system may well be obtained from different physical specimens. Against this backdrop of spatially unrelated, sparse and multi-source data, we exploit the variational framework to make judicious choices of weighting functions and identify PDE operators from the dynamics. A consistency condition arises for parsimonious inference of a minimal set of the spatial operators at steady state. It is complemented by a confirmation test that provides a sharp condition for acceptance of the inferred operators. The entire framework is demonstrated on synthetic data that reflect the characteristics of the experimental material microscopy images.

연구 동기 및 목표

• 데이터가 희소하고 공간적으로 분리되어 있으며 시간적으로 부족하게 샘플링된 경우에 미세구조 진화를 지배하는 PDE를 식별하는 도전 과제를 해결한다.
• 재료 현미경에서의 완전하지도 않고 노이즈가 많은 이미지 데이터에 의해 기존의 PDE 시스템 식별 기법의 한계를 극복한다.
• 동적 및 정적 상태 데이터로부터 최소의 공간 미분 및 대수 연산자 집합을 일관적으로 추론할 수 있는 변분 프레임워크를 개발한다.
• 추가 데이터나 사전 지식이 필요 없이 유도된 PDE의 수학적 엄밀한 검증을 제공하는 연산자 억제를 통한 확인 테스트를 도입한다.
• 동적 데이터와 고해상도 정적 상태 데이터를 통합하여 운동계수(예: 확산도)의 강건한 추론을 가능하게 한다.

제안 방법

• 노이즈가 많고 희소한 데이터를 다루기 위해 약한 형태를 사용하여 후보 공간 및 시간 연산자 라이브러리에서의 변분 최적화 문제로 PDE 시스템 식별 문제를 재구성한다.
• 노이즈와 공간적 비일치성에 대한 민감도를 줄이고 데이터 정합성 높은 영역을 강조하기 위해 변분 손실에 적응형 가중치 함수를 도입한다.
• 두 단계로 구성된 변분 시스템 식별(VSI) 과정을 적용: 먼저 일치 조건을 사용해 정적 상태에서 연산자를 식별하고, 이후 시간 해상도가 높은 스냅샷을 활용해 동적 연산자를 정밀화한다.
• 유도된 연산자를 검증하기 위해 후보 항을 체계적으로 억제하는 조건 하에서의 일치성 확인 테스트를 구현한다.
• 과적합을 줄이고 일반화 능력을 향상시키기 위해 최소한의 연산자 집합을 선호하는 단순성 촉진 정규화 전략을 사용한다.
• 유도된 모델의 정방향 궤적을 손실 함수에 통합하여, 특히 극단적인 파rameter 영역에서의 안정성과 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 희소하고 공간적으로 분리되어 있으며 노이즈가 많은 미세구조 영상 데이터로부터 변분 시스템 식별 프레임워크가 기저의 PDE를 신뢰성 있게 유추할 수 있는가?
• RQ2 추가 데이터나 사전 지식에 의존하지 않고 유도된 PDE 연산자의 일관성과 강건성을 어떻게 검증할 수 있는가?
• RQ3 정적 상태 데이터를 얼마나 활용하여 동적 데이터 정밀화 이전에 지배 연산자의 최소 집합을 사전에 식별할 수 있는가?
• RQ4 비균일한 시간 샘플링과 미세구조 진화에서의 빠른 동역학 누락 문제는 어떻게 다루는가?
• RQ5 유도된 PDE에서 진정한 물리적 메커니즘과 유사 또는 중복된 항을 구별하는 데에 연산자 억제 테스트는 어떤 역할을 하는가?

주요 결과

• 메서드는 정적 상태 데이터만으로도 스케일링 인자까지 모든 지배 PDE 연산자(미분 및 대수)를 성공적으로 식별하여 제로계수 추론의 가능성을 입증한다.
• 연산자 억제를 통한 일치성 확인 테스트는 추가 데이터나 교차 검증, 외부 기준이 필요 없이 수학적으로 엄밀한 데이터 기반 검증을 제공하여 신뢰도를 높인다.
• 동적 데이터와 고해상도 정적 상태 데이터를 통합하면, 예를 들어 확산도와 같은 작은 운동계수의 식별이 크게 향상되며 안정적인 기준점을 제공한다.
• 두 단계로 구성된 VSI 접근법은 시간 해상도가 초기 일시적 동역학을 포착하기에 부족한 경우에도 전체 동적 시스템의 정확한 추론을 가능하게 한다.
• 합성 데이터를 통해 실제 현미경 조건을 모의한 결과, 노이즈와 공간적 비일치성에도 강건함을 입증하였다.
• 손실의 구조와 연산자 일관성 검증을 통해 1계 포물형 PDE와 2계 쌍곡형 시스템을 구분할 수 있으며, 이는 포물형 시스템을 초월한 광범위한 적용 가능성 잠재력을 시사한다.