A reduced basis method for parabolic PDEs based on a space-time least squares formulation

技術要約：空間－時間最小二乗定式化に基づく放物型偏微分方程式の低次元基底法

問題設定
本論文は、パラメータ $\mu \in \mathcal{P}$ に依存する、初期条件 $y(0) = y_0(\mu)$ を伴う放物型偏微分方程式 $y_t + A(\mu)y = f(\mu)$ を効率的に解くという課題に取り組んでいる。著者らは、演算子 $A(\mu)$ およびデータ $f(\mu), y_0(\mu)$ がパラメータ $\mu$ に依存する設定を想定しており、ガレキン・トリプル $(V(\mu), H, V^*(\mu))$ の数学的枠組みに基づき、空間－時間空間 $W(0, T) := \{v \in L^2(0, T; V(\mu)) \mid v_t \in L^2(0, T; V^*(\mu))\}$ における解を求める。

本研究が扱う具体的な課題は、モデル次数低減（MOR）、特に低次元基底（RB）法の放物型問題への適用である。標準的なRB法は、一様に強コア（coercive）かつ連続な双線形形式を持つ変分定式化に依存している。これは楕円型問題では自然に見られる特性であるが、放物型問題（通常は非対称であるか、あるいはinf-sup条件を必要とする）においては欠如していることが多い。著者らは、最小限の正則性のみを仮定した最新の最小二乗空間－時間定式化 [HKS23] に基づき、これをパラメータ依存ケースへと拡張することで、パラメータ依存楕円型問題の堅牢な理論的枠組みを活用することを目指している。

手法
提案される手法は、固有直交分解（POD）と貪欲（greedy）なパラメータ選択アルゴリズムを統合した「POD-greedy」戦略に従う。

1. 変分定式化：
   著者らは、最小二乗空間－時間アプローチを利用する。彼らは放物型方程式の残差を $L^2(0, T; V^*(\mu)) \times H$ ノルムにおいて最小化する。この最小化は、以下の変分問題をもたらす：すべての $w \in W(0, T)$ に対して $b(\mu; y, w) = l(\mu; w)$ を満たす $y \in W(0, T)$ を求めよ。
   極めて重要な点は、得られる双線形形式 $b(\mu; \cdot, \cdot)$ が対称、一様強コア、かつ連続であることである。この構造により、著者らは放物型問題をパラメータ依存楕円型問題のために開発された手法を用いて扱うことが可能となる。

2. 高忠実度離散化：
   連続問題は鞍点問題として再定式化され、テンソル空間－時間有限要素法を用いて離散化される。空間領域には（CG 1）の連続的な piecewise linear 要素を用い、時間領域には状態変数に対して piecewise linear 連続要素、テスト関数に対して（DG 0）の piecewise constant 不連続要素を用いる。これにより、高忠実度線形システム $S_d(\mu)\mathbf{x} = \mathbf{s}_d(\mu)$ が得られる。

3. 低次元基底の構築：
   低次元基底空間 $W_L \subset W_d$ および $Q_K \subset Q_d$ は、POD-greedy アルゴリズム（Algorithm 1）を用いて構築される。

• 貪欲ステップ（Greedy Step）： エラー推定量が最大となるように、トレーニングセットからパラメータを選択する。
• PODステップ： 選択されたパラメータに対する高忠実度解を収集し、PODを適用することで、離散空間－時間ノルムにおける近似誤差を最小化する低次元基底を抽出する。
• オフライン－オンライン分解： 本手法は、演算子（$A(\mu), f(\mu), y_0(\mu)$ が、パラメータ依存のスカラーによって重み付けされたパラメータ非依存の演算子の和として記述できると仮定した場合）のパラメータ分離性を利用する。これにより、オンラインフェーズにおいて高次元の積分を再計算することなく、低次元化されたシステム行列を組み立てることが可能となる。

4. 認証（誤差推定）：
   著者らは、離散 $W_d$ ノルムにおける絶対誤差および相対誤差の推定量（estimator）を導出している。

• 理論的推定量 ($\eta^*$)： 残差のリッツ表現量（Riesz representer）のノルムに基づく。これは正確であるが、完全なオフライン－オンライン分解が可能なシステムを解く必要がある。
• 実用的推定量 ($\eta_c$)： 完全なオフライン－オンライン分解が可能なバリアントである。これは、内積の行列形式を操作して残差ノルムを推定し、離散的な強コア定数を利用することで実現される。この推定量により、オンラインフェーズにおける効率的な認証が可能となる。

主な貢献
本論文は、新規性の声明として、主に以下の3つの貢献を行っている：

1. 最小二乗空間－時間定式化のためのモデル次数低減： 以前は非パラメータ化ケースに適用されていた最小二乗空間－時間アプローチを、自然な $W(0, T)$ 正則性を持つパラメータ依存放物型偏微分方程式へと拡張した。
2. 効率的な誤差推定量： 空間－時間定式化において達成が困難な特徴である、効率的なオフライン－オンライン分解をサポートする、離散 $W(0, T)$ ノルムにおける絶対および相対誤差の推定量を提供した。
3. POD-greedy 構築： この対称かつ強コアな空間－時間フレームワークに特化した、低次元基底空間を構築するための POD-greedy 手法を実装した。

結果
手法の性能は、2つの数値例を通じて示されている：

1. 2D 熱ブロック問題： パラメータ依存の拡散係数を持つ標準的なベンチマークである。結果は、低次元基底の次元 $L$ に対する絶対誤差が指数関数的に減少することを示しており、これは古典的な楕円型問題のRB理論と一致している。実用的推定量 $\eta_c$ は、理論的推定量 $\eta^*$ よりもわずかに鋭さは劣るものの、効果的であることが示されている。
2. 最小限の正則性を伴う3D問題： 不連続な拡散係数とソース項を含む、より複雑な3次元問題である。最小限の正則性の仮定と高次元性にもかかわらず、本手法は依然として指数関数的な収束を示す。著者らは最初の数個のPOD基底関数を分析し、それらがサブドメイン境界における不連続性を捉えていることを指摘している。
3. 計算効率： 計算時間の比較により、オフラインフェーズ（PODおよび行列組み立てを含む）にはコストがかかるものの、低次元基底アプローチは、約6回の高忠実度解法を経た後に、高忠実度システムを解くよりも効率的になることが示された。

意義と主張
著者らは、本研究が、堅牢な楕円型RB理論の枠組みと、最小限の正則性を伴う困難な放物型PDEの設定との間の溝を埋めることに成功したと主張している。対称で強コアな最小二乗空間－時間定式化を利用することで、放物型RB法にしばしば付随するinf-sup条件の複雑さを回避している。

その意義は、標準的なオフライン－オンライン分解技術を用いて、放物型問題に対する（厳密な絶対および相対誤差境界を持つ）認証された低次元基底近似を提供できる点にある。著者らは、理論的推定量が最適である一方で、実用的推定量は計算効率のために必要な妥協案であることを控えめに述べており、本手法の性能は広範な産業応用ではなく、数値例を通じて検証されている。本研究は、自然な正則性が低い、より広いクラスの時間依存問題にRB法を適用するための基礎を確立するものである。