[论文解读] Data Assimilation in Reduced Modeling

Peter Binev, Albert Cohen+4 more|RWTH Publications (RWTH Aachen)|Jun 15, 2015

Numerical methods in inverse problems参考文献 15被引用 5

一句话总结

该论文提出了一种基于嵌套子空间 $V_0 \subset \cdots \subset V_n$ 的测量数据与近似信息相结合的最优数据同化框架，用于降模拟能力。它证明了在多空间设置下——其中 $u$ 在每个 $V_j$ 中具有良好的可逼近性——可通过在椭球上交替投影求解恢复问题，实现近似最优恢复，收敛速率为 $\mathcal{O}(k^{-1})$，并提供后验误差估计以确定停止准则。

ABSTRACT

We consider the problem of optimal recovery of an element $u$ of a Hilbert space $\mathcal{H}$ from $m$ measurements obtained through known linear functionals on $\mathcal{H}$. Problems of this type are well studied \cite{MRW} under an assumption that $u$ belongs to a prescribed model class, e.g. a known compact subset of $\mathcal{H}$. Motivated by reduced modeling for parametric partial differential equations, this paper considers another setting where the additional information about $u$ is in the form of how well $u$ can be approximated by a certain known subspace $V_n$ of $\mathcal{H}$ of dimension $n$, or more generally, how well $u$ can be approximated by each $k$-dimensional subspace $V_k$ of a sequence of nested subspaces $V_0\subset V_1\cdots\subset V_n$. A recovery algorithm for the one-space formulation, proposed in \cite{MPPY}, is proven here to be optimal and to have a simple formulation, if certain favorable bases are chosen to represent $V_n$ and the measurements. The major contribution of the present paper is to analyze the multi-space case for which it is shown that the set of all $u$ satisfying the given information can be described as the intersection of a family of known ellipsoids in $\mathcal{H}$. It follows that a near optimal recovery algorithm in the multi-space problem is to identify any point in this intersection which can provide a much better accuracy than in the one-space problem. Two iterative algorithms based on alternating projections are proposed for recovery in the multi-space problem. A detailed analysis of one of them provides a posteriori performance estimates for the iterates, stopping criteria, and convergence rates. Since the limit of the algorithm is a point in the intersection of the aforementioned ellipsoids, it provides a near optimal recovery for $u$.

研究动机与目标

• 为从降模拟能力中的测量值与近似信息中，数学严格地建立希尔伯特空间元素 $u$ 的最优恢复框架。
• 分析 $u$ 在嵌套层次 $V_0 \subset \cdots \subset V_n$ 中的每个子空间 $V_j$ 内均具有良好逼近性的多空间设置。
• 证明由逼近误差和测量值定义的椭球交集构成了 $u$ 的可行集，从而实现近似最优恢复。
• 设计并分析基于交替投影的迭代算法，以解决多空间恢复问题，并提供收敛性保证。

提出的方法

• 将恢复问题表述为在由每个 $V_j$ 中的测量约束与逼近误差所导出的椭球交集中识别 $u$。
• 在希尔伯特空间框架下，严格建模参数化PDE的连续背景与降基。
• 提出两种基于交替投影的迭代算法：一种投影到测量约束集 $\mathcal{H}_w$，另一种投影到逼近椭球 $\mathcal{K}_j$。
• 为迭代序列推导出后验误差估计，使用 $\delta_k = \text{dist}(u^k, \mathcal{K}_w)^2$，从而支持停止准则与收敛速率分析。
• 基于不等式 $\delta_{k+1} \leq \delta_k - c^2 \delta_k^2$，建立到可行集 $\mathcal{K}_w$ 的距离的收敛速率为 $\mathcal{O}(k^{-1})$。
• 将理论应用于单空间情形，证明 [16] 中的算法在最优恢复理论意义下为最优。

实验结果

研究问题

• RQ1 能否在希尔伯特空间设置下，使从单个降模拟能力子空间 $V_n$ 的测量值与近似信息中恢复状态 $u$ 的过程达到最优？
• RQ2 将嵌套子空间 $V_0 \subset \cdots \subset V_n$ 层次中的逼近信息纳入考虑，相较于单个子空间，能否显著提升恢复精度？
• RQ3 当 $u$ 受到每个 $V_j$ 中逼近误差与测量数据的约束时，其可行集的结构是什么？
• RQ4 基于交替投影的迭代算法能否在多空间恢复问题中实现收敛，并具备后验误差估计？
• RQ5 在多空间设置下，此类迭代恢复算法可保证的收敛速率是多少？

主要发现

• 证明了 [16] 中针对单空间恢复的算法在最优恢复理论意义下为最优。
• 在多空间设置中，$u$ 的可行集为由逼近误差 $\varepsilon_j$ 与测量约束所定义的椭球交集，相较于单空间方法，显著提升了恢复精度。
• 为交替投影算法的迭代序列推导出后验误差估计，允许使用 $\sqrt{\alpha_k^2 + \rho(\alpha_k)^2} \leq E_n$ 作为停止准则。
• 在问题参数满足弱假设的条件下，建立到可行集 $\mathcal{K}_w$ 的距离的收敛速率为 $\mathcal{O}(k^{-1})$，即 $\delta_k \leq Ck^{-1}$。
• 若可行集 $\mathcal{K}_w$ 包含内点，则收敛速率可能更快（如指数级），但 $\mathcal{O}(k^{-1})$ 在涉及切向相交的最坏情形下为紧致上界。
• 该方法可在线实现，并通过识别椭球交集中的点，实现对 $u$ 的近似最优恢复，且保证误差界。