[论文解读] Pressio: Enabling projection-based model reduction for large-scale nonlinear dynamical systems

Francesco Rizzi, Patrick Blonigan+2 more|arXiv (Cornell University)|Mar 17, 2020

Model Reduction and Neural Networks参考文献 36被引用 16

一句话总结

Pressio 是一个开源、高性能的 C++11 头文件仅库，配备 Python 绑定，支持为大规模非线性动力系统实现基于投影的降阶建模（ROM）。它利用泛型编程和策略式设计，支持任意数据类型和复杂的编程模型，在通过 pressio4py 实现 Python 中近乎零开销的同时，可在具有超过 2000 万个自由度的系统上高效实现 Galerkin 和 LSPG 方法。

ABSTRACT

This work introduces Pressio, an open-source project aimed at enabling leading-edge projection-based reduced order models (ROMs) for large-scale nonlinear dynamical systems in science and engineering. Pressio provides model-reduction methods that can reduce both the number of spatial and temporal degrees of freedom for any dynamical system expressible as a system of parameterized ordinary differential equations (ODEs). We leverage this simple, expressive mathematical framework as a pivotal design choice to enable a minimal application programming interface (API) that is natural to dynamical systems. The core component of Pressio is a C++11 header-only library that leverages generic programming to support applications with arbitrary data types and arbitrarily complex programming models. This is complemented with Python bindings to expose these C++ functionalities to Python users with negligible overhead and no user-required binding code. We discuss the distinguishing characteristics of Pressio relative to existing model-reduction libraries, outline its key design features, describe how the user interacts with it, and present two test cases -- including one with over 20 million degrees of freedom -- that highlight the performance results of Pressio and illustrate the breath of problems that can be addressed with it.

研究动机与目标

• 解决在大型、生产级仿真代码中实现非线性模型降阶的严峻挑战，其中侵入式修改不切实际。
• 通过提供一个通用、可重用的软件框架，克服现有 ROM 库中实现成本高、可维护性差的障碍。
• 通过支持 C++ 和 Python 接口且性能开销可忽略，同时实现高性能计算（HPC）和快速原型开发。
• 支持高级 ROM 技术，如 Galerkin 和 LSPG 方法、基于采样网格的超还原，以及未来对非线性试验流形的支持。
• 通过最小化代码修改和抽象低层实现复杂性，促进 ROM 在工业和科学应用中的采用。

提出的方法

• 以参数化的常微分方程（ODE）系统作为建模任何大规模动力系统的数学基础。
• 通过使用泛型编程和模板元编程的 C++11 头文件仅库，实现对任意数据类型和复杂算子表达式的支持。
• 采用策略式设计和基于内省的开发方法，实现在不牺牲性能的前提下实现可扩展性和运行时灵活性。
• 通过 Kokkos 和 Trilinos 集成 HPC 生态系统，确保可扩展的线性代数和并行计算能力，保障与生产级代码的兼容性。
• 通过 pressio4py（零开销绑定层）将 C++ 功能暴露给 Python，无需用户定义绑定代码。
• 在非侵入式 ROM 中应用基于采样网格的超还原，以降低残差和雅可比矩阵计算的成本，尤其适用于高保真系统。

实验结果

研究问题

• RQ1 如何以最小化对大规模、生产级仿真代码的代码修改方式，实现基于投影的模型降阶？
• RQ2 一个通用的、头文件仅的 C++ 库配合 Python 绑定，在支持任意数据类型和复杂模型的同时，其性能能在多大程度上与手工优化的 C++ 相当？
• RQ3 与原生 C++ 相比，使用 Python 绑定（pressio4py）在大规模系统 ROM 计算中的性能开销有多大？
• RQ4 基于采样网格的超还原在降低计算成本的同时，对非线性动力系统的精度保持效果如何？
• RQ5 同一个软件框架能否高效支持高性能 HPC 工作负载和新型 ROM 技术的快速原型开发？

主要发现

• Pressio 可为超过 2000 万个自由度的系统实现 Galerkin 和 LSPG 降阶模型，展示了在极端规模问题上的可扩展性。
• pressio4py（Python 绑定）在 Galerkin 和 LSPG 方法上的性能几乎与原生 C++ 无法区分，即使在大网格尺寸下也具有可忽略的开销。
• 对于具有稀疏雅可比矩阵的 LSPG，C++ 与 Python 之间的性能差异极小，表明 Python 层次并未引入显著的计算瓶颈。
• 使用采样网格可降低超还原中的计算成本，性能提升程度取决于精度与效率之间的权衡。
• 极简的 API 设计使得仅通过少量新增代码（如网格采样和 ROM 组装）即可无缝集成到现有仿真代码中，已在生产级气动代码中得到验证。
• C++11 中的泛型编程和策略式设计在不牺牲类型安全或运行时效率的前提下，实现了高性能和可扩展性。