[论文解读] An Automated Singularity-Capturing Scheme for Fractional Differential Equations

Jorge L. Suzuki, Mohsen Zayernouri|arXiv (Cornell University)|Oct 26, 2018

Fractional Differential Equations Solutions参考文献 28被引用 7

一句话总结

本论文提出了一种自动化的、基于数据的框架，用于在分数阶微分方程（FDEs）中捕捉解的奇异性，采用两阶段方法：首先，基于梯度下降的有限差分格式从短时数据中识别幂律奇异性；其次，通过Lubich型校正项将捕获到的奇异性嵌入隐式有限差分法中，即使在强多重奇异性存在的情况下，也能实现 $\boldsymbol{\text{O}}(\boldsymbol{\text{Δ}}t^{3-\boldsymbol{\text{α}}})$ 的精度。

ABSTRACT

Solutions to fractional models inherently exhibit non-smooth behavior, which significantly deteriorates the accuracy and therefore efficiency of existing numerical methods. We develop a two-stage data-infused computational framework for accurate time-integration of single- and multi-term fractional differential equations. In the first stage, we formulate a self-singularity-capturing scheme, given available/observable data for diminutive time. In this approach, the fractional differential equation provides the necessary knowledge/insight on how the hidden singularity can bridge between the initial and the subsequent short-time solution data. We develop a new self-singularity-capturing finite-difference algorithm for automatic determination of the underlying power-law singularities nearby the initial data, employing gradient descent optimization. In the second stage, we can utilize the multi-singular behavior of solution in a variety of numerical methods, without resorting to making any ad-hoc/uneducated guesses for the solution singularities. Particularly, we employed an implicit finite-difference method, where the captured singularities, in the first stage, are taken into account through some Lubich-like correction terms, leading to an accuracy of order $\mathcal{O}(Δt^{3-α})$. Our computational results demonstrate that the developed framework can either fully capture or successfully control the solution error in the time-integration of fractional differential equations, especially in the presence of strong multi-singularities.

研究动机与目标

• 解决分数阶微分方程（FDEs）中非光滑解导致的标准数值方法精度下降的问题。
• 开发一种自动化方法，无需依赖经验猜测或主观假设，从初始时刻附近检测隐藏的幂律奇异性。
• 通过从短时数据中准确捕捉多重奇异性行为，实现在FDE长时积分中的高阶精度。
• 设计一种自奇异性捕捉算法，动态利用观测解数据确定正确的奇异性参数。
• 通过校正项将检测到的奇异性整合到数值格式中，以实现最优收敛速率

提出的方法

• 提出一种自奇异性捕捉的有限差分算法，利用梯度下降优化方法从初始数据中确定幂律奇异性指数。
• 在奇异性参数 $ \theta $ 上定义二次误差函数 $ E(\theta) = ||u^{data}(t) - u^N(t;\theta)||^2_{L^2(\tilde{\boldsymbol{\text{Ω}}})} $，通过最小化该函数以识别真实奇异性。
• 采用带解析导数的牛顿迭代格式求解最优奇异性指数，其中导数涉及多 polygamma 函数 $ \boldsymbol{\text{ψ}}_0 $。
• 通过Lubich型校正项将检测到的奇异性嵌入隐式有限差分法中，校正项来源于 $ t^\theta $ 在 $ t = \boldsymbol{\text{Δ}}t $ 处的分数阶导数。
• 利用关系式 $ \boldsymbol{\text{D}}^\boldsymbol{\text{α}}(t^\theta)|_{t=\boldsymbol{\text{Δ}}t} + W_{1,1} t^\theta = \frac{\boldsymbol{\text{Γ}}(1+\theta)}{\boldsymbol{\text{Γ}}(1+\theta-\boldsymbol{\text{α}})} \boldsymbol{\text{Δ}}t^{\theta-\boldsymbol{\text{α}}} $ 推导出校正权重 $ W_{1,1} $ 的闭式表达式。
• 通过引入 $ M $ 个具有奇异幂次 $ \boldsymbol{\text{σ}}_k $ 的校正项，其中 $ \boldsymbol{\text{σ}}_k $ 由数据自动确定，实现 $ \boldsymbol{\text{O}}(\boldsymbol{\text{Δ}}t^{3-\boldsymbol{\text{α}}}) $ 的收敛率

实验结果

研究问题

• RQ1 如何在缺乏解正则性先验知识的情况下，仅从短时观测数据中自动检测FDE解中隐藏的幂律奇异性？
• RQ2 将检测到的奇异性嵌入时间积分格式以实现长时模拟中高阶精度的最优策略是什么？
• RQ3 基于梯度下降的优化框架能否有效且高效地从初始数据中确定正确的奇异性指数 $ \theta $？
• RQ4 与经验选择的奇异幂次（如 $ \boldsymbol{\text{σ}}_k = 0.1k $）相比，所提出方法在精度和稳定性方面有何优势？
• RQ5 增加校正项数量 $ M $ 对系统条件数及最终数值误差有何影响？

主要发现

• 所提出的自奇异性捕捉方案成功地通过带解析导数的牛顿迭代，从短时数据中识别出真实的幂律奇异性指数 $ \theta $。
• 通过引入数据驱动的校正项，该方法在长时积分中实现了 $ \boldsymbol{\text{O}}(\boldsymbol{\text{Δ}}t^{3-\boldsymbol{\text{α}}}) $ 的收敛速率。
• 该框架能完全捕捉或控制具有强多重奇异性的FDE解的误差，即使在标准方法因正则性差而失效的情况下亦能有效工作。
• 奇异性检测的每步计算成本极低，首次避免了对第一时刻历史相关分数阶导数的计算。
• 当 $ M > 9 $ 时，Vandermonde 系统的条件数显著增大，导致残差和数值误差上升，凸显了自动化检测相比盲目增加 $ M $ 的重要性。
• 该框架优于经验选择的 $ \boldsymbol{\text{σ}}_k $（如 $ \boldsymbol{\text{σ}}_k = 0.1k $），能动态适应解的真实奇异性结构