[論文レビュー] Efficient Construction of Local Parametric Reduced Order Models Using Machine Learning Techniques

Azam Moosavi, Răzvan Ştefanescu+1 more|arXiv (Cornell University)|Nov 9, 2015

Model Reduction and Neural Networks参考文献 7被引用数 11

ひとこと要約

本稿では、ガウス過程と人工ニューラルネットワークを用いてROMの誤差を予測し、基底選択を最適化することで、局所的パラメトリックな低次元モデル（ROM）を効率的に構築するための機械学習強化フレームワークを提案する。これにより、事前誤差推定と最適な基底次元の決定が可能となり、誤差表面の確率的モデリングと、粘性バーガース方程式における適応的基底補間戦略を用いることで、高精度な結果が得られつつ、高精度なシミュレーションを最小限に抑えることができる。

ABSTRACT

Reduced order models are computationally inexpensive approximations that capture the important dynamical characteristics of large, high-fidelity computer models of physical systems. This paper applies machine learning techniques to improve the design of parametric reduced order models. Specifically, machine learning is used to develop feasible regions in the parameter space where the admissible target accuracy is achieved with a predefined reduced order basis, to construct parametric maps, to chose the best two already existing bases for a new parameter configuration from accuracy point of view and to pre-select the optimal dimension of the reduced basis such as to meet the desired accuracy. By combining available information using bases concatenation and interpolation as well as high-fidelity solutions interpolation we are able to build accurate reduced order models associated with new parameter settings. Promising numerical results with a viscous Burgers model illustrate the potential of machine learning approaches to help design better reduced order models.

研究の動機と目的

• 最小限の高精度シミュレーションで、強固で高精度なパラメトリックな低次元モデル（ROM）を構築する挑戦に応えること。
• 既存のROMデータに基づいてトレーニングされた機械学習モデルを用いて、新しいパrameter設定における事前誤差推定を可能にすること。
• 精度を向上させるために、低次元基底の次元と基底の組み合わせ（連結/補間）の最適選択を可能にすること。
• ROMが所定の誤差閾値を満たすことができるパrameter空間の領域を分割するパラメトリックマップを構築すること。
• 繰り返しの高精度シミュレーションをデータ駆動のROM性能予測に置き換えることで、計算コストを低減すること。

提案手法

• 高精度解とそれに対応する低次元モデルの誤差のデータベースを用いて、ガウス過程と人工ニューラルネットワークモデルをトレーニングし、パrameter空間全体における誤差行動を予測する。
• 確率的誤差モデルを用いてパラメトリックドメインをサンプリングし、ROMの精度が許容誤差内に保証される領域（妥当領域）を定義する。
• グリーディアルゴリズムを適用して、重複のない妥当な部分領域でパラメトリック空間をカバーし、それぞれの領域に局所的低次元基底と演算子を関連付ける。
• 各領域で1回の高精度軌道のみを用いて局所的ROMを構築することで、低次元基底と計算効率を確保する。
• グラスマン多様体上での基底補間と基底の連結を用いて、新しいパrameter値における精度を向上させる。
• 高精度解の補間（例：ラグランジュ補間）を用いることで、新しいパrameterが既存のトレーニングポイントに近い場合の解の品質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、高精度シミュレーションを再実行せずに、パラメトリックドメイン全体における低次元モデルの誤差を高精度に予測できるか？
• RQ2 所望の精度閾値を満たすために、最適な低次元基底の次元をどのように選択できるか？また、機械学習は従来のスペクトル切断法を上回るか？
• RQ3 既存の低次元基底を補間または連結することで、新しいパrameter設定における高精度を達成する最良の戦略は何か？
• RQ4 局所的ROMの誤差は、トレーニングポイントからのパrameter距離に対して単調に変化するか？その変化をどのようにモデリングできるか？
• RQ5 事前計算済みのROMと誤差モデルのみを用いて、任意の新しいパrameter値に対して事前誤差推定を可能にするパラメトリックマップを構築できるか？

主な発見

• 提案された機械学習モデル、特に人工ニューラルネットワークは、必要な低次元基底次元の予測において極めて高い精度を達成し、従来のスペクトル切断法を上回った。
• ガウス過程モデルは、必要な基底次元を過大評価する傾向にあったが、ニューラルネットワークは特に $10^{-3}$ の誤差閾値において、より正確な推定を実現した。
• 高精度解の軌道を補間することで、新しいパrameterにおけるROM解が最も高精度になった。これは、パラメトリックドメイン全体における解の挙動が概ね線形的であることを示唆している。
• グラスマン多様体上での基底補間と基底の連結の両方とも精度向上に寄与したが、特に大きな低次元部分空間では連結戦略が顕著に効果的であった。
• 低次元モデルの誤差は、トレーニングパラメータからの距離に対して単調でないことが判明し、データ駆動の誤差モデリングの必要性を裏付けた。
• このフレームワークにより、高精度シミュレーションを再実行せずに、新しいパrameter値における事前誤差推定が可能となり、計算コストを顕著に低減した。