[论文解读] 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 11

一句话总结

该论文提出了一种机器学习增强的框架，通过使用高斯过程和人工神经网络来预测ROM误差并优化基底选择，从而高效构建局部参数化降模态模型（ROMs）。该方法实现了事前误差估计与最优基底维度确定，通过误差曲面的概率建模和在黏性Burgers模型上的自适应基底插值策略，仅需极少的高保真度模拟即可实现高精度。

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.

研究动机与目标

• 为解决在最小化高保真度模拟的前提下构建稳健、精确的参数化降模态模型（ROMs）的挑战。
• 通过利用现有ROM数据训练的机器学习模型，实现在新参数配置下事前误差估计。
• 优化降模态基底维度及基底组合（拼接/插值）策略，以提升精度。
• 构建一个参数映射，将参数空间划分为可行区域，使得在这些区域内ROM满足预设的误差阈值。
• 通过用数据驱动的ROM性能预测替代重复的高保真度求解，降低计算成本。

提出的方法

• 在高保真度解及其对应降模态模型误差的数据库上训练高斯过程和人工神经网络模型，以预测参数空间中误差行为。
• 利用概率误差模型对参数域进行采样，定义ROM精度在容差范围内的可行区域。
• 应用贪心算法，用非重叠的可行子区域覆盖参数空间，每个子区域关联一个局部降模态基底及其算子。
• 每个区域仅使用一次高保真度轨迹构建局部ROM，确保基底维度低且计算高效。
• 在Grassmann流形上采用基底插值，并通过基底拼接提升新参数值下的精度。
• 当新参数靠近已有训练点时，使用高保真度解插值（如拉格朗日插值）以提高解的质量。

实验结果

研究问题

• RQ1 机器学习模型是否能在不重新运行高保真度模拟的前提下，准确预测参数域中降模态模型的误差？
• RQ2 如何选择降模态基底的最优维度以满足期望的精度阈值？机器学习是否优于传统的谱截断方法？
• RQ3 结合现有降模态基底的最佳策略是什么（插值或拼接）？以实现对新参数配置的高精度？
• RQ4 局部ROM的误差是否随与训练点距离的增加而单调变化？这种关系如何建模？
• RQ5 能否构建一个参数映射，使得仅使用预先计算的ROM和误差模型，即可对任意新参数值实现事前误差估计？

主要发现

• 所提出的机器学习模型——特别是人工神经网络——在预测所需降模态基底维度方面表现出高度准确性，优于传统的谱截断方法。
• 高斯过程模型倾向于高估所需的基底维度，而神经网络则提供了更精确的估计，尤其在误差阈值为$10^{-3}$时表现更优。
• 对高保真度解轨迹进行插值可为新参数提供最精确的ROM解，表明参数域中解的行为近似线性。
• 在Grassmann流形上对基底进行拉格朗日插值和基底拼接均提升了精度，其中拼接策略在较大降模态子空间中尤为有效。
• 发现降模态模型的误差与训练参数距离之间并非单调关系，这解释了为何需要数据驱动的误差建模。
• 该框架实现了对新参数值的事前误差估计，而无需重新运行高保真度模拟，显著降低了计算成本。