解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快

对于求解偏微分方程来说,阿姆斯特丹大学、高通 AI 研究院的研究者最近推出的 MP-PDE 求解器又提供了一个选择

科学领域,常年的工作已经面向各种物理现象生成了极其详细的数学模型。很多这些模型通过微分方程(OlveR, 2014)的形式进行自然地表达,大多数时候表现为时间偏微分方程(paRtial diffeRential equation, PDE)。求解这些微分方程对于解决天气预报、天文数字模拟、分子建模、喷气式发动机设计等所有数学学科中的问题至关重要。大多数重要方程的求解难以分析,因此不得不反溯至数值近似方法。想要以最小的计算开销获得有界误差的精确解需要手动求解器(handcRafted solveR),通常根据手头的方程身定制。

设计一个「好的」PDE 求解器绝非易事。完美的求解器应该满足大的条件。首先是用户需求,比如速度快、使用最少的计算开销、提供不确定性估计、跨 pdf 泛化以及易于使用;然后是问题的结构需求,比如空间分辨率时间尺度、域采样正则性、域拓扑和几何、边界条件、维数和解空间平滑度;接着是实现需求,比如在长时间 Rollout 时保持稳定性和不变形。正是由于上述大的多样化需求,数值法( numeRical method)是一个 splITteR 领域,而不是一个 lumpeR 领域,旨在为每个子问题构建手动手动求解器。

近日,阿姆斯特丹大学、高通 AI 研究院的三位研究者在论文《Message Passing neuRal PDE SolveRs》中提出使用端到端神经求解器来从数值上求解 PDE。

图片[1]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

论文地址

具体而言,这篇论文主要做出了以下贡献:

方法

研究者基于最近该领域令兴奋的工作进展来学习 PDE 求解器。这些神经 PDE 求解器的背后离不开这一快速发展且有影响力研究领域。用于时间 PDE 的神经 PDE 求解器可以分为两大类,分别为自回归方法神经算子方法,具体如下图 1a 所示

图片[2]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

研究者通过两部分详细描述了他们的方法,即训练框架和架构。其中训练框架解决自回归求解器中的分布位移问题,该问题会导致不稳定性;网络架构是一个消息传递神经网络。

训练框架

回归求解器将解 u^k 映射到因果后续(causally consequent)解 u^k+1。一种直接的训练方法是单步训练。如果 p_0(u^0 ) 在训练集中是初始条件的分布,则

是迭代为 k 时的真值分布。研究者最小化如下公式(6)

下图 2 为不同的训练策略。图左为单步训练,只能预测接下来一步的解;图中为展开(unRolled)训练,可以预测接下来 n 步的解;图右为对抗性训练,可以预测接下来 n 步的解,但只能在最后一步反向传播

图片[3]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

架构

在网络架构选择上,研究者遵循 Battaglia et al. (2018) 和 SancHEz-Gonzalez et al. (2020) 提出的编码器 – 处理器 – 解码器(Encode-PRocessoR-Decode)框架,并做了调整。他们并不是首个将 Gnn 用作 PDE 求解器的,但自己的方法具有一些显著特征。下图 3 为本文 MP-PDE 求解器的概览:

图片[4]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

具体而言,编码器用来计算节点嵌入

处理器计算学得消息传递的第 M 步,中间图表示为

。具体更新如下公式(8)和(9)

图片[5]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

最后来说解码器。在消息传递后,研究者使用了一个浅层 1D 卷积网络,并在空间位置上共享权重,以在网格点 x_i 处输出 K 接下来的时间预测。对于每个节点 i,处理器输出向 f^M_i。他们将该向视为时间连续的信号,并随时间推移将它馈入到 cnn

实验

研究者在不同难度的任务展示了 MP-PDE 求解器的有效性。其中,在 1D 方程中,研究者探究了 MP-PDE 泛化到给定族中未见过方程的能力,周期性、狄利克雷(DiRichlet)边界条件和诺伊曼(neumann)边界条件下的边界处理能力,以及建模冲击波(shock wave)的能力。然后,他们又展示了 MP-PDE 有能力求解 2D 方程。

此外,研究者还针对前推技巧和变体进行了消融实验,以验证实用性。作为基线,他们比较了几种不同的标准经典 PDE 求解器,即 FDM、伪谱方法和 WEnO5 求解器。不仅如此,研究者还与 SOTa 神经算子方法——傅里叶神经算子(FouRieR neuRal OpeRatoR, FnO)进行了比较

在实验中,研究者考虑了三种场景,分别如下:

具体而言,他们观察 E1 方程上的求解器生存时间,定义为「解偏离真值之前的时间」。该求解器展开到 n_t = 1000 时间步,其中 T = 16 s。下图 4 底部展示了一个示例,研究者观察到大约 8 秒后发散增加。该现象在下图 5a 中得到了验证,他们发现了生存率与时间步的关系

图片[6]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

在第二个实验中,研究比较了前推技巧的效用。他们观察到,前推技巧加上时间捆绑可以提升自回归任务中的 FnO 效果。在下图 5b,研究者绘制了使用和未使用前推技巧训练的模型的生存率。

图片[7]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

下表 2 比较了 MP-PDE 求解器与 SOTa 数值伪谱求解器。结果可知,MP-PDE 求解器在伪谱求解器中断工作的低分辨率条件下获得了准确的结果有趣的是,MP-PDE 求解器可以在不同的边界条件上泛化,并且如果边界条件通过θ_PDE 特征注入到方程中,泛化更加明显。

图片[8]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

最后,研究者测试了 MP-PDE 到更多空间维度上的可扩展性,尤其是在 2D 实验中。他们使用来自开源流模拟工具包 PHiFLOW1 中的数据。具体而言,研究者观察了基于纳维 – 斯托克斯方程(navieR-Stokes equation),并将烟雾流模拟成 32 × 32 网格,在每个时间步后添加更多烟雾。结果显示,MP-PDE 求解器能够准确地捕获给定时间阶段内的烟雾流入,表明它可以扩展到更高维度

图片[9]-解微分方程-用消息传递求解偏微分方程,ML大牛Max Welling等用全神经求解器做到了更强、更快-OK资源网

©THE EnD

© 版权声明
THE END
喜欢就支持一下吧
点赞13 分享
评论 抢沙发