[论文解读] Deep Conservation: A latent-dynamics model for exact satisfaction of physical conservation laws

Kookjin Lee, Kevin Carlberg|arXiv (Cornell University)|Sep 21, 2019

Generative Adversarial Networks and Image Synthesis被引用 5

一句话总结

本文提出 Deep Conservation，一种潜在动力学模型，结合深度卷积自编码器实现非线性降维，并采用约束优化框架，精确强制执行物理守恒定律（如质量、动量和能量）于降阶模型中。该方法通过求解约束最小二乘问题，在指定子域上保证守恒定律的精确满足，相较于数据驱动方法和基于投影的方法，在保持物理一致性方面表现更优。

ABSTRACT

This work proposes an approach for latent-dynamics learning that exactly enforces physical conservation laws. The method comprises two steps. First, the method computes a low-dimensional embedding of the high-dimensional dynamical-system state using deep convolutional autoencoders. This defines a low-dimensional nonlinear manifold on which the state is subsequently enforced to evolve. Second, the method defines a latent-dynamics model that associates with the solution to a constrained optimization problem. Here, the objective function is defined as the sum of squares of conservation-law violations over control volumes within a finite-volume discretization of the problem; nonlinear equality constraints explicitly enforce conservation over prescribed subdomains of the problem. Under modest conditions, the resulting dynamics model guarantees that the time-evolution of the latent state exactly satisfies conservation laws over the prescribed subdomains.

研究动机与目标

• 为解决数据驱动的潜在动力学模型因缺乏先验物理约束而导致的物理守恒定律违反问题。
• 通过使用深度卷积自编码器实现非线性嵌入，克服基于投影方法中线性嵌入的降维限制。
• 开发一种框架，确保在降阶模型中精确满足守恒定律，而无需依赖监督学习或基于损失的近似方法。
• 通过在有限体积离散化中采用约束优化，结合非线性流形学习与物理信息投影的优势。
• 提供一种模型降阶方法，在保持质量、动量和能量等关键物理特性守恒的同时，实现面向时间关键应用的快速、精确模拟。

提出的方法

• 该方法使用深度卷积自编码器学习高维动力系统状态的非线性、低维嵌入，将其映射至潜在空间。
• 将潜在动力学表述为约束优化问题，其中目标函数最小化有限体积离散化中各控制体积上守恒定律违反的平方和。
• 通过非线性等式约束显式强制在用户定义的子域上实现守恒，确保在降阶模型中精确满足物理定律。
• 在每个时间步求解该优化问题，以计算潜在状态的时间演化，保证动力学始终与底层守恒定律保持一致。
• 该方法假设已知微分方程的积分形式及其有限体积离散化，从而实现基于物理的投影到学习到的非线性流形上。
• 该方法适用于受守恒定律支配的系统，如流体动力学（例如欧拉方程或无粘性宾茨方程），并在具有参数变化的1D无粘性宾茨方程上进行了验证。

实验结果

研究问题

• RQ1 能否构建一种潜在动力学模型，使其在使用非线性流形进行降维的同时，精确强制执行质量、动量和能量等物理守恒定律？
• RQ2 所提出的约束优化框架与标准伽辽金投影或数据驱动学习相比，在保持守恒特性方面表现如何？
• RQ3 深度卷积自编码器在多大程度上能够捕捉复杂物理系统内在的动力学，同时在降阶模型中实现精确守恒？
• RQ4 通过约束优化强制实现守恒定律对参数化PDE降阶模型的准确性与稳定性有何影响？
• RQ5 该方法能否在不同参数实例下保持精确守恒，同时保留潜在空间中预测不同轨迹的能力？

主要发现

• 在适度条件下，所提出的 Deep Conservation 方法可在指定子域上精确满足守恒定律，确保降阶模型的物理一致性。
• 不同参数实例的潜在轨迹在三维潜在空间中保持明显分离，表明模型保留了参数敏感性。
• 该方法优于标准的数据驱动和伽辽金基降阶模型，通过不依赖损失函数或近似守恒的神经网络架构，保证了精确守恒。
• 使用深度卷积自编码器实现了有效的非线性降维，当网络容量低于阈值时性能会下降。
• 即使在长时间模拟中，该方法仍能保持精确守恒，所有测试案例中守恒定律均一致满足。
• 该框架对参数变化具有鲁棒性，不同参数值下产生不同的潜在轨迹，证实了模型捕捉参数依赖关系的能力。