[论文解读] Learning the Effective Dynamics of Complex Multiscale Systems.

Pantelis R. Vlachas, Georgios Arampatzis+2 more|arXiv (Cornell University)|Jun 24, 2020

Model Reduction and Neural Networks参考文献 36被引用 8

一句话总结

本文提出了一套系统化的机器学习框架——有效动力学学习（LED），通过结合自编码器与循环神经网络，从复杂多尺度系统中提取并预测其粗粒度动力学。通过将细尺度数据映射到低维潜在空间并学习其时间演化，LED 相较于全尺度模拟实现了计算成本降低数个数量级的同时，仍能实现高精度的长期预测。

ABSTRACT

Simulations of complex multiscale systems are essential for science and technology ranging from weather forecasting to aircraft design. The predictive capabilities of simulations hinges on their capacity to capture the governing system dynamics. Large scale simulations, resolving all spatiotemporal scales, provide invaluable insight at a high computational cost. In turn, simulations using reduced order models are affordable but their veracity hinges often on linearisation and/or heuristics. Here we present a novel systematic framework to extract and forecast accurately the effective dynamics (LED) of complex systems with multiple spatio-temporal scales. The framework fuses advanced machine learning algorithms with equation-free approaches. It deploys autoencoders to obtain a mapping between fine and coarse grained representations of the system and learns to forecast the latent space dynamics using recurrent neural networks. We compare the LED framework with existing approaches on a number of benchmark problems and demonstrate reduction in computational efforts by several orders of magnitude without sacrificing the accuracy of the system.

研究动机与目标

• 解决全分辨率模拟在计算上不可行的复杂多尺度系统模拟挑战。
• 克服依赖线性化或启发式方法的降阶模型的局限性。
• 开发一种系统化、数据驱动的框架，用于提取并预测多尺度系统的有效动力学。
• 利用最少的计算资源实现复杂系统的高精度长期预测。
• 弥合高保真模拟与经济可靠降阶建模之间的差距。

提出的方法

• 利用自编码器学习从细尺度系统状态到低维潜在空间表示的非线性映射。
• 使用循环神经网络（RNN）学习并预测潜在空间动力学的时间演化。
• 将自编码器与 RNN 组件整合为统一框架，实现有效动力学的端到端学习。
• 采用无方程方法，实现在无需显式推导粗尺度方程的情况下进行基于模拟的推断。
• 在高保真模拟生成的数据上训练该框架，以确保精度与泛化能力。
• 在基准多尺度问题上验证该框架，以评估其预测精度与计算效率。

实验结果

研究问题

• RQ1 是否存在一种数据驱动框架，能够在不依赖线性化或启发式方法的前提下，准确提取复杂多尺度系统的有效动力学？
• RQ2 自编码器与 RNN 的结合在多尺度模拟中，能在多大程度上降低计算成本，同时保持预测精度？
• RQ3 与现有降阶建模技术相比，LED 框架在不同基准多尺度问题上的泛化能力如何？
• RQ4 自编码器学习的潜在空间能否捕捉高维多尺度系统的关键动力学特征？
• RQ5 在系统复杂度与噪声水平变化的情况下，LED 框架的可扩展性与鲁棒性如何？

主要发现

• LED 框架在显著减少计算资源的前提下，实现了对复杂多尺度系统的高精度长期预测。
• 该框架相较全尺度模拟将计算量降低了数个数量级，同时保持了高预测精度。
• 自编码器的使用实现了有效的非线性降维，在低维潜在空间中捕捉了系统的关键动力学。
• 循环神经网络成功以高保真度学习并传播潜在动力学的时间演化。
• 该框架优于依赖线性化或启发式假设的现有降阶建模方法。
• 机器学习与无方程方法的结合，实现了复杂系统中有效动力学的稳健且系统化的发现。