[論文レビュー] Non-intrusive data-driven reduced-order modeling for time-dependent parametrized problems

Junming Duan, Jan S. Hesthaven|arXiv (Cornell University)|Mar 6, 2023

Model Reduction and Neural Networks参考文献 32被引用数 5

ひとこと要約

本稿では、非侵襲的かつデータ駆動型の低次元モデル化フレームワークを、時変パrameter付き問題に適用するためのものである。非線形次元削減のための畳み込みオートエンコーダ（CAE）と、潜在的ダイナミクスをモデル化する高次元動的モード分解（HODMD）を用いる。この手法により、新しいパrameter値や時刻における高次元解の高速かつ高精度な予測が可能となり、輸送優勢な問題に対しても、CAE単体と同等の再構成誤差と、テスト事例において1.1×10⁻²未満の予測誤差を達成する。

ABSTRACT

Reduced-order models are indispensable for multi-query or real-time problems. However, there are still many challenges to constructing efficient ROMs for time-dependent parametrized problems. Using a linear reduced space is inefficient for time-dependent nonlinear problems, especially for transport-dominated problems. The non-linearity usually needs to be addressed by hyper-reduction techniques, such as DEIM, but it is intrusive and relies on the assumption of affine dependence of parameters. This paper proposes and studies a non-intrusive reduced-order modeling approach for time-dependent parametrized problems. It is purely data-driven and naturally split into offline and online stages. During the offline stage, a convolutional autoencoder, consisting of an encoder and a decoder, is trained to perform dimensionality reduction. The encoder compresses the full-order solution snapshots to a nonlinear manifold or a low-dimensional reduced/latent space. The decoder allows the recovery of the full-order solution from the latent space. To deal with the time-dependent problems, a high-order dynamic mode decomposition (HODMD) is utilized to model the trajectories in the latent space for each parameter. During the online stage, the HODMD models are first utilized to obtain the latent variables at a new time, then interpolation techniques are adopted to recover the latent variables at a new parameter value, and the full-order solution is recovered by the decoder. Some numerical tests are conducted to show that the approach can be used to predict the unseen full-order solution at new times and parameter values fast and accurately, including transport-dominated problems.

研究の動機と目的

• 時変パrameter付き問題の低次元モデル化（ROM）における、侵襲的でアフィン依存のハイパーリダクション手法の限界を克服すること。
• パrameter付きPDEにおける非線形的で輸送優勢なダイナミクスを捉えるために、線形低次元空間の非効率性を克服すること。
• オフラインとオンライン計算ステージを分離する、完全にデータ駆動型の非侵襲的ROMフレームワークを構築すること。
• 潜在空間のダイナミクスと補間を用いて、新しいパrameter値や時刻における高次元解の正確かつ高速な予測を可能にすること。

提案手法

• オフライン段階で畳み込みオートエンコーダ（CAE）を訓練し、高次元解スナップショットを低次元の非線形潜在空間に圧縮する。
• CAEのデコーダ部は、潜在変数から高次元解を再構成可能であり、高精度な再構成を実現する。
• 各パrameter値に対して、潜在変数の時間的ダイナミクスをモデル化するために高次元動的モード分解（HODMD）を適用する。これにより、潜在空間内の時間発展が捉えられる。
• オンライン段階では、HODMDモデルが新しい時刻における潜在変数を予測する。新しいパrameter値における潜在変数は補間によって推定される。
• 訓練済みのデコーダを用いて、補間された潜在変数から高次元解を回復する。
• この手法は非侵襲的であり、元のPDEの弱形式や残差評価へのアクセスを一切必要としない。

実験結果

リサーチクエスチョン

• RQ1 非侵襲的かつデータ駆動型のROMは、時変パrameter付き問題において、新しいパrameter値や時刻における高次元解を正確に予測できるか？
• RQ2 CAEとHODMDを組み合わせた非線形潜在空間において、輸送優勢な問題のダイナミクスをどれほど正確に捉えることができるか？
• RQ3 時間遅延状態の数（n_delay）が、潜在空間ダイナミクスおよび解予測の精度に与える影響は何か？
• RQ4 本手法は、特にKolmogorov n-幅の減少が遅い問題において、最小限の計算コストで高い精度を達成できるか？

主な発見

• CAE-PHODMD手法は、CAE単体と同等の再構成誤差を達成し、2Dケルビン＝ヘルムホルツ問題においてt=0.568でε_CAE = 4.090×10⁻³を示した。
• CAE-PHODMD手法の予測誤差は、n_delay=10のときε_CAE-PHODMD = 4.076×10⁻³まで低下し、解予測の高精度を実証した。
• 2Dケルビン＝ヘルムホルツ不安定性問題において、n_latent=8およびn_delay=10の条件下で、t=0.933における複雑で変化するパターンを正確に捉えており、CAE再構成の品質と一致した。
• 潜在空間ダイナミクスはHODMDにより良好にモデル化されており、n_delay ≥ 10の範囲で潜在空間の再構成誤差が安定していることから、遅延ウィンドウサイズに対して頑健であることが示された。
• 本手法は、線形低次元空間がKolmogorov n-幅の減少が遅いために失敗する傾向がある輸送優勢問題に対しても、解を正確に予測できた。
• オンライン段階は計算的に効率的であり、最もコストの高い処理がすべてオフライン段階で実施されているため、新しいパrameter値や時刻における評価が高速に可能となった。