Core Concepts
Durch Modellierung des Leistungsspektrums der PDE-Lösung mit einer Student-t-Mischung oder Gaußschen Mischung und Anwendung der inversen Fourier-Transformation können die dominanten Frequenzen effizient erfasst werden. Durch Schätzung der Mischungsgewichte im Logarithmusbereich wird eine automatische Ausdünnung überschüssiger Frequenzkomponenten und eine Anpassung der verbleibenden an die Realität erreicht.
Abstract
Der Artikel präsentiert GP-HM, einen Gaußschen Prozess (GP)-Löser, der speziell für hochfrequente und multiskalige partielle Differentialgleichungen (PDEs) entwickelt wurde.
Zunächst wird das Leistungsspektrum der PDE-Lösung mit einer Mischung aus Student-t-Verteilungen oder Gaußschen Verteilungen modelliert. Durch Anwendung der inversen Fourier-Transformation kann daraus eine Kovarianzfunktion abgeleitet werden, die die Frequenzinformationen enthält.
Um eine effiziente und skalierbare Berechnung auf massiven Kollokationspunkten zu ermöglichen, werden alle Kollokationspunkte auf einem Gitter platziert. Durch Multiplikation der Kovarianzfunktion in jeder Eingabedimension ergibt sich eine Kronecker-Produkt-Struktur in der Kovarianzmatrix, die eine effiziente Berechnung ermöglicht, ohne Niedrigrang-Approximationen verwenden zu müssen.
Die Schätzung der Mischungsgewichte im Logarithmusbereich entspricht der Zuweisung einer Jeffreys-Priori, was eine automatische Ausdünnung überschüssiger Frequenzkomponenten und eine Anpassung der verbleibenden an die Realität bewirkt.
In systematischen Experimenten zeigt GP-HM deutliche Vorteile gegenüber konkurrierenden Methoden wie Physics-Informed Neural Networks (PINNs) und spektralen Methoden, insbesondere bei der Lösung hochfrequenter und multiskaliger PDEs.
Stats
Die Lösung u(x) kann durch folgende Gleichung beschrieben werden:
Fu = f(x) für x ∈ Ω
u(x) = g(x) für x ∈ ∂Ω
Dabei ist F der Differentialoperator, Ω das Lösungsgebiet und ∂Ω der Rand des Gebiets.
Quotes
"Durch Modellierung des Leistungsspektrums der PDE-Lösung mit einer Student-t-Mischung oder Gaußschen Mischung und Anwendung der inversen Fourier-Transformation können die dominanten Frequenzen effizient erfasst werden."
"Durch Schätzung der Mischungsgewichte im Logarithmusbereich wird eine automatische Ausdünnung überschüssiger Frequenzkomponenten und eine Anpassung der verbleibenden an die Realität erreicht."