Tensor-based empirical interpolation method and its application in model reduction

ملخص تقني: طريقة الاستيفاء التجريبي القائم على التنسور وتطبيقاتها في اختزال النماذج

بيان المشكلة
يعد اختزال رتبة النموذج (MOR) أمراً ضرورياً لمحاكاة الأنظمة الديناميكية واسعة النطاق، لا سيها تلك التي تحكمها معادلات تفاضلية جزئية (PDEs) غير خطية. وبينما تنجح تقنيات مثل تفكيك الـ POD (التحليل المتقطع للملكية المناسبة) عند دمجها مع إسقاط غاليركين في اختزال الأنظمة الخطية وثنائية الخطية بفعالية، فإن الحدود غير الخطية غالباً ما تحتفظ بتبعية لأبعاد النموذج كامل الرتبة (FOM). ولمعالجة ذلك، تم تطوير طريقة الاستيفاء التجريبي المنفصل (DEIM) وسابقتها، طريقة الاستيفاء التجريبي (EIM)، لتقريب الحدود غير الخطية باستخدام مجموعة صغيرة من نقاط الاستيفاء.

ومع ذلك، يوجد قصور جوهري عندما تكون اللاخطية عبارة عن دالة ذات قيم مصفوفية (على سبيل المثال، الناتجة عن المعادلات التفاضلية الجزئية ثلاثية الأبعاد المجمعة رقمياً). تتطلب النهج التقليدية تحويل المصفوفة إلى متجه عالي الأبعاد قبل تطبيق DEIM، وهو أمر غير فعال حسابياً للمصفوفات الكبيرة، مما يزيد من التكاليف الحسابية في كل من مرحلتي العمليات غير المتزامنة (offline) والعمليات المتزامنة (online). وبينما حاول بعض الباحثين تقديم امتدادات قائمة على المصفوفات، إلا أن هناك نقصاً في الإطار النظري الصارم الذي يشرح آلية عمل هذه الطرق، وقيودها، وهيكلها الأمثل.

المنهجية
يقترح المؤلفون طريقة الاستيفاء التجريبي القائمة على التنسور (TEIM)، وهي امتداد لـ EIM مصمم خصيصاً لتقريب الدوال ذات القيم المصفوفية دون تحويلها إلى صيغة متجهية. تسير المنهجية وفق الخطوات التالية:

1. بناء أساس Tensor POD: بدلاً من استخدام POD المتجهي القياسي، تستخدم الطريقة تفكيك القيم المفردة عالية الرتبة (HOSVD) لتوليد أساس تنسور (مجموعة من المصفوفات من الرتبة واحدة $u_i \otimes v_j$) التي تشغل فضاء الحل. وهذا يتجنب العبء الحسابي الناتج عن تحويل المصفوفات الكبيرة إلى متجهات.
2. اختيار نقاط الاستيفاء (خوارزمية TEIM): يقدم البحث خوارزمية معدلة لاختيار نقاط الاستيفاء. وخلافاً لـ DEIM القياسية التي تختار النقاط عشوائياً على شبكة، تقوم خوارزمية TEIM باختيار المؤشرات بطريقة هيكلية متداخلة.
3. هيكل الشبكة المستطيلة: يتمثل أحد النتائج النظرية الحاسمة في أن خوارزمية TEIM، بالنسبة لأسس التنسور (أو أسس المصفوفات من الرتبة واحدة)، تختار بطبيعتها نقاط استيفاء تشكل شبكة مستطيلة. وتحديداً، إذا كانت هناك حاجة لـ $m_1 m_2$ من النقاط، فإن الخوارزمية تختار $m_1$ من الصفوف و $m_2$ من الأعمدة، وتختار جميع التقاطعات بينهما.
4. التكافؤ مع 2D-DEIM: يثبت المؤلفون رياضياً أن طريقة TEIM تكافئ تطبيق خوارزمية DEIM القياسية بشكل مستقل على مصفوفات أساس الصفوف والأعمدة (نهج DEIM ثنائي الجانب). وهذا يسمح بتفكيك مؤثر القناع (masking operator) إلى مؤثرين أصغر ($P_3$ و $P_4$) بدلاً من مؤثر واحد كبير يعمل على المصفوفة المتجهة.
5. صيغة التقريب الفعالة: تم اشتقاق التقريب النهائي للدالة المصفوفية $\tilde{A}(t)$ في شكل ضرب مصفوفي:
   $$\tilde{A}(t) = U_1(P_5 U_1)^{-1} (P_5 A(t) P_6^T) (U_2(P_6 U_2)^{-1})^T$$
   حيث $P_5$ و $P_6$ هما مؤثرا القناع المشتقان من أساسي الصفوف والأعمدة، على التوالي. وتتجنب هذه الصيغة عملية التحويل إلى متجه تماماً خلال المرحلة المتزامنة (online).

المساهمات الرئيسية

• الإطار النظري: يؤسس البحث قاعدة نظرية ضرورية للاستيفاء القائم على التنسور، من خلال إثبات التكافؤ بين طريقة TEIM المقترحة وتطبيق DEIM في كل اتجاه.
• توصيف الشبكة المستطيلة: يوضح المؤلفون أن طرق الاستيفاء القائمة على التنسور والتي تعتمد على أسس الرتبة واحدة تختار حتماً نقاط استيفاء على شبكة مستطيلة، مما يحدد قيداً هيكلياً جوهرياً لهذه النهج.
• الكفاءة الحسابية: من خلال استغلال هيكل الشبكة المستطيلة، تقلل الطريقة من التعقيد الحسابي للمرحلة المتزامنة. فبالنسبة لمصفوفة بحجم $n_1 \times n_2$ مع اختيار $m_1$ صف و $m_2$ عمود، يكون التعقيد $O(n_1 n_2 m_2 + n_1 m_1 m_2)$ (أو ما شابه حسب ترتيب التقييم)، وهو أقل بكثير من تعقيد $O(n_1 n_2 m_1 m_2)$ الخاص بنهج DEIM المتجهي.
• التنفيذ الخوارزمي: يوفر البحث خوارزمية محددة (الخوارزمية 1) لاختيار المجموعة المتداخلة من نقاط الاستيفاء التي تضمن قابلية عكس مؤثر القناع.

النتائج والتجارب العددية
تحقق المؤلفون من صحة الطريقة من خلال تطبيقين رئيسيين:

1. تقريب الدالة ذات القيم المصفوفية:

   • المثال 1: دالة معلمية (parameterized) ثنائية الأبعاد غير خطية. تظهر النتائج أنه عندما يوفر أساس Tensor POD فضاء تقريب أفضل من أساس Vector POD القياسي، تحقق TEIM أخطاء تقريب أقل من DEIM.
   • المثال 2: دالة تعتمد على الزمن حيث يتفوق أساس POD القياسي على أساس التنسور. في هذه الحالة، تعطي DEIM دقة أفضل. وهذا يسلط الضوء على أن الاختيار بين TEIM و DEIM يعتمد على أي أساس يلتقط ديناميكيات النظام بشكل أفضل.
   • التوقيت: تُظهر TEIM باستمرار وقتاً أقل في متوسط زمن وحدة المعالجة المركزية (CPU time) مقارنة بـ DEIM، حتى عندما تكون الدقة متقاربة.

2. اختزال رتبة النماذج للمعادلات التفاضلية المصفوفية شبه الخطية:

   • تم تطبيق الطريقة على معادلة "آلن-كاهن" (Allen-Cahn) ثنائية الأبعاد. تم بناء النموذج مختزل الرتبة (ROM) باستخدام Tensor POD للحالة و TEIM للحد غير الخطي.
   • الدقة مقابل الكفاءة: في حالة معادلة "آلن-كاهن" المحددة التي تم اختبارها، قدم نهج POD-DEIM القياسي (المعتمد على المتجهات) دقة أعلى قليلاً من نهج TEIM. ومع ذلك، تطلب نهج TE الموارد الحسابية أقل.
   • المعادلات التفاضلية المتجهية: عند تحويل المعادلة المصفوفة إلى صيغة متجهية واختزالها باستخدام TEIM للحد غير الخطي، كانت النتائج مشابهة لـ POD-DEIM، مع اعتماد الاختيار بين الطريقتين مجدداً على أي أساس يقدم فضاء تقريب متفوقاً.

الأهمية والادعاءات
يزعم البحث أن طريقة TEIM توفر بديلاً فعالاً حسابياً لتحويل الدوال ذات القيم المصفوفية إلى متجهات لأغراض اختزال الرتبة. وتكمن أهميتها الأساسية في:

• تقليل العبء الحسابي: فهي تقلل بشكل كبير من أوقات الحساب في كل من المرحلتين غير المتزامنة والمتزامنة عن طريق تجنب تحويل المصفوفات الكبيرة إلى متجهات.
• الرؤية الهيكلية: توضح أن الاستيفاء القائم على التنسور مقيد هيكلياً بالشبكات المستطيلة، مما يبسط التنفيذ إلى نهج DEIM ثنائي الجانب.
• القابلية للتطبيق السياقي: يشير المؤلفون بتواضع إلى أنه بينما تعد TEIM أكثر كفاءة، فإن دقتها مقارنة بـ DEIM تعتمد على المسألة المطروحة. فإذا كان النظام يلتقط الديناميكيات بشكل أفضل عبر أساس التنسور (كما في المثال 1)، فإن TEIM تتفوق في الدقة والسرعة معاً. أما إذا كان النظام يُلتقط بشكل أفضل عبر أساس متجه قياسي (كما في مثال Allen-Cahn)، فقد تعطي DEIM دقة أعلى، رغم أن TEIM تظل بديلاً متاحاً وأسرع مع تنازل طفيف في الدقة.

ويخلص العمل إلى أنه بينما يركز البحث على الدوال ذات القيم المصفوفية، فإن الإطار النظري قابل للتوسع ليشمل الدوال ذات القيم التنسورية ذات الرتب الأعلى.