[论文解读] Variational system identification of the partial differential equations governing microstructure evolution in materials: Inference over sparse and spatially unrelated data

Z. Wang, Xun Huan+1 more|arXiv (Cornell University)|Jan 11, 2020

Model Reduction and Neural Networks参考文献 48被引用 4

一句话总结

本文提出一种变分系统辨识（VSI）框架，旨在从稀疏、空间不连贯且含噪的显微镜数据中发现控制材料微观结构演化的偏微分方程（PDEs）。通过采用带有自适应加权函数的变分公式以及基于一致性的验证测试，该方法即使在动态数据有限的情况下，也能实现对最小、简洁的PDE算子的鲁棒推断，成功识别出扩散项与反应项（仅含缩放因子），且在稳态下具有高精度。

ABSTRACT

Pattern formation is a widely observed phenomenon in diverse fields including materials physics, developmental biology and ecology, among many others. The physics underlying the patterns is specific to the mechanisms, and is encoded by partial differential equations (PDEs). With the aim of discovering hidden physics, we have previously presented a variational approach to identifying such systems of PDEs in the face of noisy data at varying fidelities (Computer Methods in Applied Mechanics and Engineering, 353:201-216, 2019). Here, we extend our variational system identification methods to address the challenges presented by image data on microstructures in materials physics. PDEs are formally posed as initial and boundary value problems over combinations of time intervals and spatial domains whose evolution is either fixed or can be tracked. However, the vast majority of microscopy techniques for evolving microstructure in a given material system deliver micrographs of pattern evolution over domains that bear no relation with each other at different time instants. The temporal resolution can rarely capture the fastest time scales that dominate the early dynamics, and noise abounds. Furthermore, data for evolution of the same phenomenon in a material system may well be obtained from different physical specimens. Against this backdrop of spatially unrelated, sparse and multi-source data, we exploit the variational framework to make judicious choices of weighting functions and identify PDE operators from the dynamics. A consistency condition arises for parsimonious inference of a minimal set of the spatial operators at steady state. It is complemented by a confirmation test that provides a sharp condition for acceptance of the inferred operators. The entire framework is demonstrated on synthetic data that reflect the characteristics of the experimental material microscopy images.

研究动机与目标

• 解决在数据稀疏、空间分离且时间采样不足的情况下，识别控制微观结构演化的主导PDE的挑战。
• 克服传统PDE系统辨识方法在材料显微镜图像数据不完整且含噪条件下的局限性。
• 开发一种变分框架，实现从动态与稳态数据中一致推断最小空间微分与代数算子集合。
• 引入一种算子抑制的一致性验证测试，提供数学上严谨的推断PDE验证，无需额外数据或先验知识。
• 通过结合动态数据与高分辨率稳态数据，实现对动力学系数（如扩散系数）的稳健推断。

提出的方法

• 将PDE系统辨识问题表述为对候选空间与时间算子库的变分优化，采用弱形式以处理含噪与稀疏数据。
• 在变分损失中采用自适应加权函数，突出数据保真度高的区域，降低对噪声与空间错位的敏感性。
• 实施两阶段变分系统辨识（VSI）流程：首先利用一致性条件在稳态下识别算子，随后利用时间分辨快照优化动态算子。
• 实现算子抑制一致性验证测试，通过系统性地抑制候选项来验证推断算子的鲁棒性。
• 采用促进简约性的正则化策略，偏好最小算子集合，减少过拟合并提升泛化能力。
• 将推断模型的前向轨迹整合进损失函数，以提升稳定性与准确性，尤其在极端参数区域表现更优。

实验结果

研究问题

• RQ1 变分系统辨识框架能否可靠地从稀疏、空间不连贯且含噪的微观结构图像数据中推断出底层PDE？
• RQ2 在不依赖额外数据或先验知识的前提下，如何验证识别出的PDE算子的一致性与鲁棒性？
• RQ3 在动态数据优化前，稳态数据在多大程度上可用于预先识别控制算子的最小集合？
• RQ4 所提出方法如何应对微观结构演化中非均匀时间采样与快速动力学缺失的挑战？
• RQ5 算子抑制测试在区分真实物理机制与虚假或冗余项方面发挥何种作用？

主要发现

• 该方法仅使用稳态数据即可成功识别所有主导PDE算子（包括微分与代数算子），且仅含缩放因子，证明了零阶推断的可行性。
• 算子抑制一致性验证测试提供了数学上严谨、数据驱动的推断算子验证方法，减少了对交叉验证或外部基准的依赖。
• 将动态数据与高分辨率稳态数据结合，显著提升了对小动力学参数（如扩散系数）的识别能力，提供了稳定的参考点。
• 两阶段VSI方法即使在时间分辨率不足以捕捉早期瞬态动力学时，也能实现对完整动态系统的准确推断。
• 在模拟真实显微镜条件的合成数据上，框架对噪声与空间错位保持鲁棒。
• 通过损失结构与算子一致性检查，该方法可区分一阶抛物型PDE与二阶双曲型系统，表明其潜在适用于更广泛的PDE类型，而不仅限于抛物型系统。