[论文解读] Learning-based State Reconstruction for a Scalar Hyperbolic PDE under noisy Lagrangian Sensing

Matthieu Barreau, J. Liu+1 more|arXiv (Cornell University)|Nov 19, 2020

Model Reduction and Neural Networks参考文献 38被引用 7

一句话总结

本文提出了一种物理信息深度学习方法，通过多智能体网络从噪声拉格朗日测量中重建标量双曲型PDE的状态。通过将部分状态重建表述为约束优化问题，并训练深度神经网络以最小化数据一致性和物理一致性损失，该方法即使在存在噪声的情况下也能实现渐近精确重建，在交通密度估计场景中表现出鲁棒性和高精度。

ABSTRACT

The state reconstruction problem of a heterogeneous dynamic system under sporadic measurements is considered. This system consists of a conversation flow together with a multi-agent network modeling particles within the flow. We propose a partial-state reconstruction algorithm using physics-informed learning based on local measurements obtained from these agents. Traffic density reconstruction is used as an example to illustrate the results and it is shown that the approach provides an efficient noise rejection.

研究动机与目标

• 解决从移动智能体获取的稀疏、噪声拉格朗日测量中重建标量双曲型PDE完整状态的挑战。
• 开发一种基于学习的状态重建框架，将物理PDE约束与数据驱动模型相结合，以提升对噪声和模型失配的鲁棒性。
• 证明物理信息神经网络在高精度重建交通密度方面的有效性，即使在噪声条件下亦然。
• 在正则性和有界性假设下，建立重建误差随网络容量增加而趋于零的理论收敛性。

提出的方法

• 将部分状态重建问题表述为最小化数据保真度项与PDE残差项的约束优化问题。
• 定义一个损失函数，结合沿智能体轨迹的L2数据不匹配项与基于残差项的物理信息惩罚项，以强制满足双曲型PDE约束。
• 使用具有全连接结构的深度神经网络表示重建状态，并采用随机梯度下降进行端到端训练。
• 引入包含PDE残差的正则化项，并设置平滑参数γ，以强制弱解并提升稳定性。
• 将该方法应用于交通流模型，其中智能体代表探测车辆，沿其轨迹测量局部密度。
• 利用通用逼近定理与真实解的正则性，证明当网络宽度增加时，重建误差渐近收敛至零。

实验结果

研究问题

• RQ1 经过物理信息正则化训练的深度神经网络能否从噪声大、稀疏的拉格朗日测量中重建标量双曲型PDE的完整状态？
• RQ2 在损失函数中引入PDE残差项如何提升对测量噪声和模型不确定性的鲁棒性？
• RQ3 随着神经网络容量的增加，重建误差的理论收敛行为如何？
• RQ4 该方法在处理PDE解中的非线性和间断性（如交通流中的激波）方面的能力如何？
• RQ5 所提出的方法是否优于不强制物理一致性的开环重建方法？

主要发现

• 随着神经网络宽度的增加，所提方法在时空域上以L2范数意义下实现渐近精确的状态重建，重建误差收敛至零。
• 物理信息损失项显著增强了噪声抑制能力，在噪声测量下仍能保持高重建精度。
• 理论分析证实，当神经元数量趋于无穷时，神经网络解收敛至双曲型PDE的弱解。
• 该方法对模型失配和非线性动力学表现出鲁棒性，优于开环重建策略。
• 仿真结果表明，在交通密度估计中具有高精度，网络能有效捕捉激波的形成与传播。
• 训练过程计算效率高且可扩展，仅需中等计算资源即可获得高精度结果。