[论文解读] IDENT: Identifying Differential Equations with Numerical Time evolution

Sung Ha Kang, Wenjing Liao+1 more|arXiv (Cornell University)|Apr 6, 2019

Model Reduction and Neural Networks参考文献 34被引用 23

一句话总结

该论文提出 IDENT，一种新颖算法，通过利用数值时间演化进行验证与校正，从含噪声的离散时间序列数据中识别偏微分方程（PDEs）。该方法结合基于 Lasso 的稀疏回归与时间演化误差（TEE）度量，确保在噪声、下采样及系数变化条件下仍能实现稳定恢复，并通过相干性与一种新型信噪比定义获得理论保证。

ABSTRACT

Identifying unknown differential equations from a given set of discrete time dependent data is a challenging problem. A small amount of noise can make the recovery unstable, and nonlinearity and differential equations with varying coefficients add complexity to the problem. We assume that the governing partial differential equation (PDE) is a linear combination of a subset of a prescribed dictionary containing different differential terms, and the objective of this paper is to find the correct coefficients. We propose a new direction based on the fundamental idea of convergence analysis of numerical PDE schemes. We utilize Lasso for efficiency, and a performance guarantee is established based on an incoherence property. The main contribution is to validate and correct the results by Time Evolution Error (TEE). The new algorithm, called Identifying Differential Equations with Numerical Time evolution (IDENT), is explored for data with non-periodic boundary conditions, noisy data and PDEs with varying coefficients. From the recovery analysis of Lasso, we propose a new definition of Noise-to-Signal ratio, which better represents the level of noise in the case of PDE identification. We systematically analyze the effects of data generations and downsampling, and propose an order preserving denoising method called Least-Squares Moving Average (LSMA), to preprocess the given data. For the identification of PDEs with varying coefficients, we propose to add Base Element Expansion (BEE) to aide the computation. Various numerical experiments from basic tests to noisy data, downsampling effects and varying coefficients are presented.

研究动机与目标

• 解决从离散、含噪声且可能欠采样的时间序列数据中识别未知 PDE 的挑战。
• 在噪声和非周期性边界条件下，提升 PDE 识别的稳定性和准确性。
• 开发一种稳健框架，通过数值时间演化验证并校正稀疏回归结果。
• 通过基元元素展开（BEE）将该方法扩展至具有变系数的 PDE。
• 基于相干性与改进的信噪比定义，建立针对 PDE 识别的新理论性能保证。

提出的方法

• 提出一种新算法 IDENT，利用数值时间演化验证并校正通过 Lasso 识别出的候选 PDE。
• 应用有限差分格式（如五点 ENO）在候选项字典中近似空间导数。
• 引入时间演化误差（TEE）度量，评估候选 PDE 在时间上的一致性，从而过滤错误解。
• 开发最小二乘移动平均（LSMA），对原始数据进行保序去噪，以提升识别精度。
• 利用基元元素展开（BEE）通过有限元基展开系数，表示具有变系数的 PDE。
• 基于相干性性质建立理论性能保证，并推导出专用于 PDE 识别的新型信噪比。

实验结果

研究问题

• RQ1 能否将数值时间演化用作验证机制，以提升从含噪声数据中识别 PDE 的鲁棒性？
• RQ2 所提出的 TEE 度量如何增强稀疏回归在 PDE 发现中的准确性和稳定性？
• RQ3 针对 PDE 识别，何种信噪比定义能准确反映噪声对导数估计的影响？
• RQ4 如何通过稀疏回归有效识别具有空间变系数的 PDE？
• RQ5 LSMA 去噪在数据污染和下采样条件下，能在多大程度上提升 PDE 识别性能？

主要发现

• IDENT 算法即使在高噪声水平下，也能从含噪声和下采样的数据中高精度识别 PDE。
• 所提出的 TEE 度量能有效过滤错误的 PDE 候选解，显著提升恢复稳定性，优于标准 Lasso。
• LSMA 去噪保留了数据的顺序与结构，在保持导数精度方面优于标准去噪方法。
• 理论分析表明，IDENT 在相干性条件下并基于新型信噪比定义，可实现稳定恢复。
• 基元元素展开（BEE）使具有变系数的 PDE 能够被准确识别，显著扩展了该方法在复杂系统中的适用性。
• 推导出误差的理论界，表明恢复误差与噪声水平和相干性成正比，证实了方法的鲁棒性。