[论文解读] Learning Interface Conditions in Domain Decomposition Solvers

Ali Taghibakhshi, Nicolas Nytko+4 more|arXiv (Cornell University)|May 19, 2022

Model Reduction and Neural Networks被引用 6

一句话总结

本论文提出一种基于图卷积神经网络（GCNN）的方法，用于在非结构化网格上学习域分解求解器的最优界面条件，采用一种新颖的无监督损失函数，以最小化误差传播算子的谱半径。该方法实现线性计算复杂度，在非结构化网格上优于经典的RAS和优化的ORAS方法，且在不同规模问题上均表现出鲁棒的收敛性，无需结构化子域或傅里叶分析。

ABSTRACT

Domain decomposition methods are widely used and effective in the approximation of solutions to partial differential equations. Yet the optimal construction of these methods requires tedious analysis and is often available only in simplified, structured-grid settings, limiting their use for more complex problems. In this work, we generalize optimized Schwarz domain decomposition methods to unstructured-grid problems, using Graph Convolutional Neural Networks (GCNNs) and unsupervised learning to learn optimal modifications at subdomain interfaces. A key ingredient in our approach is an improved loss function, enabling effective training on relatively small problems, but robust performance on arbitrarily large problems, with computational cost linear in problem size. The performance of the learned linear solvers is compared with both classical and optimized domain decomposition algorithms, for both structured- and unstructured-grid problems.

研究动机与目标

• 将优化的 Schwarz 域分解方法扩展至非结构化网格，因为传统方法依赖傅里叶分析，在子域几何不规则时失效。
• 克服传统优化 Schwarz 方法的局限性，后者要求结构化网格并需解析推导界面条件。
• 开发一种机器学习框架，将小规模问题上学习到的最优界面条件泛化至大规模问题，且计算成本保持线性。
• 通过在图结构问题上进行无监督训练，学习有效的界面条件，以改善偏微分方程迭代求解器的收敛性。
• 证明所学习的预条件子在非结构化、不规则域上优于经典RAS和理论上的ORAS方法。

提出的方法

• 训练图卷积神经网络（GCNN）以预测域分解方法中子域边界上的最优界面值。
• 损失函数被设计为随机最小化误差传播算子的谱半径，而非Frobenius范数，从而实现更优的收敛性能。
• 该方法采用基于残差的GCNN架构，结合TAGConv层和残差块，以实现深层网络训练而不产生过度平滑。
• 训练在小规模问题实例（n < 1000个节点）上进行，所得模型能有效泛化至大规模问题，且计算复杂度为线性。
• 该框架适用于结构化和非结构化网格，性能通过FGMRES预条件子和静态迭代收敛性进行评估。
• 该方法为无监督：无需真实界面条件，网络从迭代求解器的误差传播行为中进行学习。

实验结果

研究问题

• RQ1 机器学习模型能否在经典优化 Schwarz 方法不适用的非结构化网格上学习到域分解求解器的最优界面条件？
• RQ2 基于误差传播算子谱半径的损失函数是否在训练GCNN用于迭代求解器时优于Frobenius范数？
• RQ3 在小规模问题上训练的模型能否以线性计算成本泛化至大规模问题？
• RQ4 所学习求解器在非结构化网格上的性能与经典RAS和理论ORAS方法相比如何？
• RQ5 哪些架构选择（如残差块、层数等）能最大化GCNN基域分解方法的泛化能力和收敛性？

主要发现

• 所提出的MLORAS方法在所有非结构化测试网格上，无论作为静态求解器还是FGMRES预条件子，均一致优于RAS，包括最大达2600个节点的大规模问题。
• 基于谱半径的损失函数带来更优的收敛速率，尽管其导致的误差传播矩阵Frobenius范数高于Frobenius优化模型。
• 直接优化Frobenius范数虽获得最低的Frobenius范数，但收敛性能最差，证实Frobenius范数作为求解器性能代理指标效果极差。
• 消融研究显示，增加残差块长度可提升性能，但使用超过四层TAGConv层会导致过度平滑和性能下降。
• 最优架构（8个残差块，4个TAGConv层）在深度与泛化能力之间达到最佳平衡，且在多次训练运行中表现一致。
• 该方法随问题规模线性扩展，尽管训练仅在小规模实例上进行，仍能高效评估大规模问题。