[論文レビュー] DIMON: Learning Solution Operators of Partial Differential Equations on a Diffeomorphic Family of Domains

Minglang Yin, Nicolas Charon+4 more|arXiv (Cornell University)|Feb 11, 2024

Advanced Mathematical Modeling in Engineering被引用数 7

ひとこと要約

DIMONは、同相写像ドメインのファミリ全体に対して、入力を参照ドメインへ輸送し、そこで潜在オペレータを学習し、再度元のドメインへ写像することでPDE解を予測する汎用オペレータ学習フレームワークを導入する。剛性のない幾何形状上で、定常および時間依存のPDEを実演する。

ABSTRACT

The solution of a PDE over varying initial/boundary conditions on multiple domains is needed in a wide variety of applications, but it is computationally expensive if the solution is computed de novo whenever the initial/boundary conditions of the domain change. We introduce a general operator learning framework, called DIffeomorphic Mapping Operator learNing (DIMON) to learn approximate PDE solutions over a family of domains $\{Ω_θ}_θ$, that learns the map from initial/boundary conditions and domain $Ω_θ$ to the solution of the PDE, or to specified functionals thereof. DIMON is based on transporting a given problem (initial/boundary conditions and domain $Ω_θ$) to a problem on a reference domain $Ω_{0}$, where training data from multiple problems is used to learn the map to the solution on $Ω_{0}$, which is then re-mapped to the original domain $Ω_θ$. We consider several problems to demonstrate the performance of the framework in learning both static and time-dependent PDEs on non-rigid geometries; these include solving the Laplace equation, reaction-diffusion equations, and a multiscale PDE that characterizes the electrical propagation on the left ventricle. This work paves the way toward the fast prediction of PDE solutions on a family of domains and the application of neural operators in engineering and precision medicine.

研究の動機と目的

• 変化するドメインと境界条件/初期条件にわたるPDE解の高速予測を動機づける。
• 同相写像とニューラルオペレータを組み合わせて、参照ドメイン上で解法オペレータを学習する汎用フレームワークを提案する。
• 同相ドメインファミリに対する適応済みの普遍近似定理による理論的基盤を提供する。
• パラメトリックおよび非パラメトリックなドメイン上の定常・時間依存PDEに対して、心臓ジオメトリを含む形でフレームワークを実演する。
• PDE解の汎関数および精密医療に関連する多尺度または連成ODE-PDE設定へフレームワークを拡張する。

提案手法

• 各ドメインから固定された参照ドメインへ同相写像を介して入力データを輸送し、参照ドメイン上の潜在PDEオペレータを抽出する。
• 形状パラメータと参照ドメイン上の輸送済み入力を参照ドメイン上の引き戻した解へ写像する潜在オペレータF0を定義する。
• Geo（形状情報）ブランチを形状情報に、BCブランチを境界データに用いて、参照ドメイン座標を取るトランクを備えたニューラルオペレータ（Multi-Input Operator Network）でF0を近似する。
• 学習済みの参照ドメイン解を、逆同相写像を介して元のドメインへ写像する。
• 適切な条件の下で近似保証を確保するよう、同相ドメインファミリへの普遍近似定理の理論的拡張を提供する。
• 幾何を符号化するためのOmega0の実用的な選択肢、同相写像（例：LDDMM）、および形状の低次元表現（例：PCA）について論じる。

実験結果

リサーチクエスチョン

• RQ1 ニューラルオペレータは、各ドメインごとに再訓練せずに、同相写像ドメインのファミリ全体にわたるPDE解オペレータを学習できるか？
• RQ2 同相写像と参照ドメインをどう統合してPDEの構造を保ちつつ高速予測を実現するか？
• RQ3 パラメトリックドメインファミリ上でオペレータを学習する際の理論的保証（適応した普遍近似定理による）とは？
• RQ4 実用的な解剖幾何を含む、パラメトリックおよび非パラメトリックなドメイン上の定常・時間依存PDEに対して、DIMONフレームワークの性能はどうか？
• RQ5 ドメインの同相写像推定法（例：アフィン対LDDMM）や低次元形状表現へのロバスト性はどれくらいか？

主な発見

• DIMONは、同相写像ファミリのドメイン上でPDE解の予測精度を達成し、参照ドメインへ輸送後のラプラスおよび反応-拡散の例で低誤差を示す。
• パラメトリック2Dドメイン上のラプラス方程式では、予測の最大絶対誤差はテストケースで0.02未満、相対L2誤差は約0.008である。
• 時間依存の非線形反応-拡散の例では、テストケース全体の平均相対L2誤差は、同相エンコーディング法に応じて0.032から0.075の範囲だった。
• このアプローチはアフィンとLDDMMベースの同相写像の両方をサポートし、方法間で相対的なL2誤差のロバスト性が同等である。
• DIMONは、患者特有の幾何形状に類似した心臓の電気伝播を想起させる結合ODE-PDE設定で、PDE解の汎関数を学習できることを示す。
• 実用的なワークフローには、参照ドメインの選択、同相写像による対応点の計算、形状を低次元形状パラメータへ縮約、入力と解を参照ドメインへ輸送、ニューラルオペレータの訓練、予測を元のドメインへ写像して戻す、が含まれる。