Core Concepts
PDEの逆問題を双レベル最適化問題として定式化し、下位レベルでPDEの局所的な解作用素を学習することで、上位レベルの最適化問題の降下方向を効果的に近似する。
Abstract
本研究では、偏微分方程式(PDE)の逆問題を解くための新しい深層学習ベースの手法を提案する。
まず、PDE逆問題を双レベル最適化問題として定式化する。上位レベルでは、データ損失を PDE パラメータに関して最小化する。下位レベルでは、与えられたPDEパラメータの近傍でPDEの解作用素を近似する
ニューラルネットワークを学習する。これにより、上位レベルの最適化問題の降下方向を効果的に近似できる。
下位レベルの損失関数には、残差の2乗ノルムと残差のPDEパラメータに関する微分の2乗ノルムを含む。両レベルの最適化問題を同時に勾配降下法で解くことで、効率的かつ高速なアルゴリズムを実現する。
提案手法は「BiLO (Bilevel Local Operator learning)」と呼ばれ、PDEの未知関数も効率的に推定できる。数値実験の結果、提案手法は強いPDE制約を課し、疎な
ノイズデータに対しても頑健であり、従来のPINNのように残差損失とデータ損失のバランスを取る必要がないことを示している。
Stats
PDEパラメータDの真値に対する誤差の平均(標準偏差)は0.256(0.0962)
PDEパラメータρの真値に対する誤差の平均(標準偏差)は0.0623(0.0349)
推定解uNNと高精度数値解uFDMの最大誤差は0.00336(0.00114)
データ損失の平均は0.000101(0.0000277)