[论文解读] Reduced-basis method for the iterative solution of parametrized symmetric positive-definite linear systems

Ngoc Cuong Nguyen, Yanlai Chen|arXiv (Cornell University)|Apr 17, 2018

Advanced Numerical Methods in Computational Mathematics参考文献 24被引用 3

一句话总结

本文提出了一种新颖的降维基（RB）方法，通过贪心算法构建低维子空间，高效求解参数化对称正定（SPD）线性系统，该方法可独立作为迭代求解器使用，或作为共轭梯度（CG）方法中的预条件子。该方法的收敛速度与多重网格预条件CG相当，但每次迭代的计算成本显著更低，使其在多重网格因内存或时间限制而不可行的大规模问题中具有可行性。

ABSTRACT

We present a class of reduced basis (RB) methods for the iterative solution of parametrized symmetric positive-definite (SPD) linear systems. The essential ingredients are a Galerkin projection of the underlying parametrized system onto a reduced basis space to obtain a reduced system; an adaptive greedy algorithm to efficiently determine sampling parameters and associated basis vectors; an offline-online computational procedure and a multi-fidelity approach to decouple the construction and application phases of the reduced basis method; and solution procedures to employ the reduced basis approximation as a {\em stand-alone iterative solver} or as a {\em preconditioner} in the conjugate gradient method. We present numerical examples to demonstrate the performance of the proposed methods in comparison with multigrid methods. Numerical results show that, when applied to solve linear systems resulting from discretizing the Poisson's equations, the speed of convergence of our methods matches or surpasses that of the multigrid-preconditioned conjugate gradient method, while their computational cost per iteration is significantly smaller providing a feasible alternative when the multigrid approach is out of reach due to timing or memory constraints for large systems. Moreover, numerical results verify that this new class of reduced basis methods, when applied as a stand-alone solver or as a preconditioner, is capable of achieving the accuracy at the level of the {\em truth approximation} which is far beyond the RB level.

研究动机与目标

• 开发一种专用于参数化对称正定（SPD）线性系统迭代求解的降维基（RB）方法，这些系统源于参数化PDE问题。
• 解决在设计、优化或不确定性量化中，需在多个参数值下反复求解此类系统所带来的计算瓶颈。
• 通过离线-在线计算流程，将降维基构造与在线求解应用解耦。
• 使降维基近似既能作为独立的迭代求解器，也能作为CG方法中的有效预条件子。
• 证明即使在降维基空间的固有分辨率之外，该方法仍能保持高精度，与真实解近似水平相当。

提出的方法

• 通过将参数化系统在降维基（RB）空间上进行伽辽金投影，形成更小的降维线性系统。
• 采用自适应贪心算法选择采样参数及其对应的解快照，以高效构建RB空间，确保误差快速衰减。
• 该方法实施离线-在线分解：离线阶段构建RB空间及相关算子；在线阶段仅求解降维系统。
• 降维基近似可作为独立迭代求解器（RBI）或共轭梯度（RBCG）方法中的预条件子使用。
• 采用多保真度方法解耦构建与应用阶段，提升计算效率。
• 采用后验误差估计器，验证降维基解相对于高保真真实解的精度。

实验结果

研究问题

• RQ1 降维基方法能否被有效适配为参数化SPD线性系统的迭代求解器或预条件子？
• RQ2 与经典的多重网格预条件CG相比，基于RB的迭代方法在迭代次数上的收敛速度如何？
• RQ3 基于RB的方案每次迭代的计算成本与多重网格预条件CG相比如何？这对整体效率有何影响？
• RQ4 增加RB维数在多大程度上能提升不同参数值下的收敛速度和鲁棒性？
• RQ5 尽管使用低维子空间，基于RB的方法能否保持高精度——与真实近似水平相当？

主要发现

• 对于泊松方程的离散化问题，基于RB的方法在收敛速度上与多重网格预条件CG相当或更优，达到相似或更少的迭代次数。
• 基于RB方案的每次迭代计算成本显著低于多重网格预条件CG，从而实现总求解时间快几个数量级。
• 即使在仅一维RB空间下，该方法也能使迭代次数减半；当RB维数增至五维时，迭代次数降至十分之一。
• 作为独立求解器（RBI）或预条件子（RBCG）使用时，该方法的精度达到真实近似水平，远超RB空间的标称分辨率。
• 在具有超过200万个自由度的大规模系统上，RBCG方法仍保持高效与可扩展性，而多重网格因多重限制/延拓算子带来的内存与复杂度约束而变得不切实际。
• 随着RB维数的增加，基于RB的方案收敛性能单调提升，表现为在不同参数样本下平均迭代步数持续减少。