[论文解读] Predictive Accuracy of Dynamic Mode Decomposition

Hannah Lu, Daniel M. Tartakovsky|arXiv (Cornell University)|May 5, 2019

Model Reduction and Neural Networks参考文献 25被引用 10

一句话总结

本文提出了一种针对线性和非线性抛物型偏微分方程的动态模式分解（DMD）预测的理论误差估计器，实现了对基于DMD的时间外推过程的精确监控与控制。该方法表明，由于DMD无需迭代，其计算效率优于本征正交分解（POD），而POD在精度上仍具优势；误差估计器在四个测试问题中得到验证，结果与Koopman算子理论一致，并在预测建模中展现出实际应用价值。

ABSTRACT

Dynamic mode decomposition (DMD), which the family of singular-value decompositions (SVD), is a popular tool of data-driven regression. While multiple numerical tests demonstrated the power and efficiency of DMD in representing data (i.e., in the interpolation mode), applications of DMD as a predictive tool (i.e., in the extrapolation mode) are scarce. This is due, in part, to the lack of rigorous error estimators for DMD-based predictions. We provide a theoretical error estimator for DMD extrapolation of numerical solutions to linear and nonlinear parabolic equations. This error analysis allows one to monitor and controls the errors associated with DMD-based temporal extrapolation of numerical solutions to parabolic differential equations. We use several computational experiments to verify the robustness of our error estimators and to compare the predictive ability of DMD with that of proper orthogonal decomposition (POD), another member of the SVD family. Our analysis demonstrates the importance of a proper selection of observables, as predicted by the Koopman operator theory. In all the tests considered, DMD outperformed POD in terms of efficiency due to its iteration-free feature. In some of these experiments, POD proved to be more accurate than DMD. This suggests that DMD is preferable for obtaining a fast prediction with slightly lower accuracy, while POD should be used if the accuracy is paramount.

研究动机与目标

• 为解决DMD在预测（外推）模式下缺乏严格误差估计器的问题，特别是针对抛物型PDE。
• 实现在时变系统中对DMD预测误差进行定量监控与控制。
• 比较DMD与POD在非线性动力系统中预测性能的精度与效率。
• 通过线性和非线性PDE的数值实验验证理论误差估计器。
• 展示基于Koopman算子理论指导的物理信息可观测量在实现高精度DMD预测中的关键作用。

提出的方法

• 基于Koopman算子框架推导DMD预测的理论误差估计器，将其与Koopman算子的谱逼近相联系。
• 将误差估计器应用于线性和非线性抛物型PDE的数值解，包括反应-扩散方程和非线性Schrödinger方程。
• 采用物理信息可观测量（如 (u, u², u³) 或 u²/2），基于Kirchhoff变换等变换方式提升DMD精度。
• 采用基于快照的DMD算法，结合合适的可观测量，并与全阶解及POD-DEIM近似结果进行对比。
• 通过比较预测误差界与实际全局和局部截断误差，在多个测试案例中验证误差估计器的有效性。
• 使用快速傅里叶变换和Runge-Kutta时间积分方法计算参考解，用于DMD与POD预测的基准测试。

实验结果

研究问题

• RQ1 能否推导出一种理论误差估计器，以量化DMD在抛物型PDE时间外推中的预测精度？
• RQ2 可观测量的选择（特别是基于物理动力学的可观测量）如何影响DMD预测精度与误差估计？
• RQ3 在非线性PDE中，DMD与POD在精度和计算效率方面的相对预测性能如何？
• RQ4 所提出的误差估计器在不同非线性程度与问题复杂度下，能否准确跟踪实际预测误差？
• RQ5 误差估计器能否指导复杂多尺度模拟中混合DMD-全尺度算法的设计？

主要发现

• 所提出的误差估计器在所有测试问题中均能准确跟踪DMD预测的全局与局部截断误差，包括高度非线性系统。
• 在非线性反应-扩散方程测试中，采用物理可观测量（u, u², u³）的DMD实现了稳定的误差界，而仅使用u的错误可观测量则导致误差估计发散。
• 在非线性Schrödinger方程测试中，采用合适可观测量的DMD在精度与效率上均优于POD，预测误差更低，且无需迭代时间积分。
• POD始终比DMD具有更高的预测精度，但需要迭代时间积分，因此效率较低。
• 即使真实解迅速衰减，误差估计器仍保持鲁棒性，能可靠地区分准确与不准确的预测。
• 结果证实了DMD作为Koopman算子近似方法的理论基础，其性能关键取决于可观测量的选择。