[论文解读] Machine Learning of Partial Differential Equations from Noise Data

Wenbo Cao, Weiwei Zhang|arXiv (Cornell University)|Sep 28, 2020

Model Reduction and Neural Networks参考文献 28被引用 6

一句话总结

本文提出一种基于频域的机器学习方法，从噪声数据中识别偏微分方程（PDE），利用傅里叶变换抑制噪声，并采用一种新型稀疏识别准则以实现精确的项检测。该方法在多种典型方程中，即使在低信噪比条件下，也能实现高精度和强鲁棒性地识别PDE结构与参数。

ABSTRACT

Machine learning of partial differential equations from data is a potential breakthrough to solve the lack of physical equations in complex dynamic systems, but because numerical differentiation is ill-posed to noise data, noise has become the biggest obstacle in the application of partial differential equation identification method. To overcome this problem, we propose Frequency Domain Identification method based on Fourier transforms, which effectively eliminates the influence of noise by using the low frequency component of frequency domain data to identify partial differential equations in frequency domain. We also propose a new sparse identification criterion, which can accurately identify the terms in the equation from low signal-to-noise ratio data. Through identifying a variety of canonical equations spanning a number of scientific domains, the proposed method is proved to have high accuracy and robustness for equation structure and parameters identification for low signal-to-noise ratio data. The method provides a promising technique to discover potential partial differential equations from noisy experimental data.

研究动机与目标

• 解决从受噪声污染的实验数据中识别偏微分方程的挑战，其中传统数值微分因病态性而失效。
• 克服现有PDE识别方法在低信噪比条件下性能显著下降的局限性。
• 开发一种鲁棒框架，能够从噪声较大的真实世界数据中准确恢复PDE的结构与参数。
• 提出一种专为低信噪比场景设计的新型稀疏识别准则，以提高项选择的准确性。
• 证明该方法在来自多个科学领域的多种典型PDE（如扩散方程、波动方程和反应-扩散方程）中的泛化能力。

提出的方法

• 使用傅里叶变换将时域噪声数据转换至频域，以分离出受噪声影响较小的低频分量。
• 在频域中执行PDE识别，其中微分运算更稳定，对高频噪声分量不敏感。
• 应用基于频域系数的新稀疏识别准则，以选择PDE中的相关项，从而在低信噪比条件下最小化误报。
• 在频域中采用稀疏回归框架，从变换后的数据中重构潜在的PDE结构。
• 通过逆傅里叶变换将重构结果还原至时域，并与已知解析形式进行验证。
• 通过聚焦于主导频带分量来优化识别过程，以保留系统的基本动力学特性。

实验结果

研究问题

• RQ1 频域变换能否有效缓解噪声数据中PDE识别的数值微分病态性问题？
• RQ2 所提出的稀疏识别准则在低信噪比条件下区分真实PDE项与噪声的能力如何？
• RQ3 该方法在存在显著噪声的实验数据中，能在多大程度上恢复正确的PDE结构与参数？
• RQ4 在不同噪声水平下，该方法与时域识别技术相比，在鲁棒性与准确性方面表现如何？
• RQ5 该方法能否在来自不同科学领域的多种PDE（如扩散方程、波动方程和反应-扩散方程）中实现泛化？

主要发现

• 频域识别方法显著降低了噪声对PDE发现的影响，实现了稳定的微分运算与精确的项选择。
• 所提出的稀疏识别准则在低信噪比条件下仍能高精度识别真实PDE项，优于标准稀疏方法。
• 该方法能从噪声数据中成功识别出典型PDE（包括对流-扩散方程、波动方程和反应-扩散方程），结构与参数误差极小。
• 在多个科学领域中均表现出强鲁棒性，证实了该方法的泛化能力，不仅限于特定方程类型。
• 即使信噪比低于10 dB，该方法仍保持高精度，而传统方法在该区域通常失效。
• 在傅里叶域中利用低频分量可保留系统的基本动力学，同时滤除高频噪声，从而提升识别的可靠性。