[论文解读] Reduced-Order Modeling Of Hidden Dynamics

Patrick Héas, Cédric Herzet|arXiv (Cornell University)|Oct 8, 2015

Model Reduction and Neural Networks参考文献 32被引用 2

一句话总结

该论文提出了一种针对具有隐藏动力学系统的概率性降阶建模框架，通过贝叶斯推断整合噪声和不完整的观测数据，以提高模型精度。通过将高维状态中的不确定性建模为隐马尔可夫链并计算后验分布，该方法提升了POD-Galerkin降阶模型（ROMs），在二维Navier-Stokes模拟中，相较于标准方法，重建误差降低了30%以上。

ABSTRACT

The objective of this paper is to investigate how noisy and incomplete observations can be integrated in the process of building a reduced-order model. This problematic arises in many scientific domains where there exists a need for accurate low-order descriptions of highly-complex phenomena, which can not be directly and/or deterministically observed. Within this context, the paper proposes a probabilistic framework for the construction of "POD-Galerkin" reduced-order models. Assuming a hidden Markov chain, the inference integrates the uncertainty of the hidden states relying on their posterior distribution. Simulations show the benefits obtained by exploiting the proposed framework.

研究动机与目标

• 解决在高维系统通过噪声、不完整或不确定数据观测时，构建精确降阶模型（ROMs）的挑战。
• 将系统参数和状态中的不确定性整合到ROM构建过程中，特别是在真实工作状态未知或难以处理的情况下。
• 开发一种概率框架，利用隐藏状态的后验分布指导降阶基的选取，从而提高模型保真度。
• 克服标准POD-快照方法的局限性，后者假设对轨迹有完全知识，而这一假设在实际应用中往往不现实。
• 在基于光学流观测的二维Navier-Stokes系统上展示该框架的有效性，证明其在不确定性条件下的精度提升。

提出的方法

• 将高维系统动力学建模为隐马尔可夫链，将系统状态和参数视为具有先验分布的随机变量。
• 使用代理先验模型（公式2）表示系统中的不确定性，基于物理知识和状态的随机演化。
• 通过似然模型整合噪声和不完整的观测，假设噪声为已知方差的高斯分布，并计算状态的后验分布。
• 利用线性高斯推断框架（公式13）推导后验均值和协方差，实现在每个时间步的不确定性量化。
• 基于状态轨迹的后验均值构建降阶基，其中基向量通过在推断的后验均值上进行POD-Galerkin投影获得。
• 使用Krylov子空间方法近似大规模矩阵运算（如协方差求逆），以保持计算效率。

实验结果

研究问题

• RQ1 当观测数据存在噪声和不完整时，如何有效建模并整合高维系统状态中的不确定性，以用于降阶建模？
• RQ2 与标准快照基方法相比，利用隐藏状态的后验分布在多大程度上能提升POD-Galerkin降阶模型的精度？
• RQ3 不同的先验假设（如标准梯度先验与自相似先验）如何影响推断降阶基的质量和重建误差？
• RQ4 一种同时考虑参数和观测不确定性概率框架，是否能在混沌或湍流系统中实现更鲁棒、更精确的ROM？
• RQ5 将后验协方差信息纳入降阶模型基的选择过程中，会产生何种影响？

主要发现

• 所提出的概率框架在二维Navier-Stokes模拟中，相较于标准POD-快照方法，将归一化重建误差降低了30%以上。
• 状态估计中后验方差较高的区域与重建误差较大的区域直接对应，验证了该框架识别不确定性热点的能力。
• 与标准梯度先验相比，采用自相似先验模型可获得更低的全局重建误差，并使高不确定性区域与高误差区域更好地对齐。
• 后验协方差结构揭示了系统中持续存在的模糊方向，表明观测不足以解析状态动力学的区域。
• Krylov子空间近似实现了大规模后验推断的高效计算，保持了线性复杂度，使该方法具备可扩展性。
• 即使真实状态不可直接获取，该方法仍显著提升了ROM的精度，证明了其在不确定性条件下的鲁棒性。