非線形偏微分方程式に対するニューラル常微分方程式アプローチによるロバストなモーメント同定

科学分野:

• 計算物理学
• 応用数学
• 機械学習

背景:

• 偏微分方程式（PDE）は複雑な物理システムを支配する。
• データからダイナミクスを学習する従来の方法では、密でクリーンな観測が必要となることが多い。
• 縮約順序モデリングは、高次元システムの効率的なシミュレーションと分析に不可欠である。

研究 の 目的:

• PDEによって支配されるシステムから縮約順序モーメントダイナミクスを学習するためのデータ駆動型フレームワークを開発する。
• スパースで不規則でノイズの多い時系列データからロバストな動的モデリングを可能にする。
• 複雑なシステムの解釈可能な低次元表現を発見する。

主な方法:

• モーメント軌道を直接モデル化するために、ニューラル常微分方程式（neural ODE）を利用した。
• 解析的閉鎖がないシステムにおけるデータ駆動型座標変換のために、スティフェル多様体最適化を採用した。
• 非線形シュレディンガー方程式およびフィッシャー・コルモゴロフ・ペトロフスキー・ピスクノフ反応拡散系にフレームワークを適用した。

主要な成果:

• ニューラルODEフレームワークは、限定的で不規則でノイズの多いデータからモーメントダイナミクスを正確に回復する。
• 解析的閉鎖がないシステムに対して、低次元表現で閉じたモーメントダイナミクスを正常に発見した。
• データ限定シナリオにおいて、物理ベースモデルと比較して優れた外挿精度を示した。

結論:

• 提案されたニューラルODEフレームワークは、解釈可能で低次元のモーメントダイナミクスを学習するための強力で柔軟なアプローチを提供する。
• この方法は、データ限定設定において顕著なロバスト性を示し、従来の手法を上回る。
• 不完全な観測であっても、複雑なPDE支配システムの効果的なモデリングと分析を可能にする。