第10回:model-reduction errorをどう分解するか

はじめに――model-reduction errorと離散化誤差をどう分けるか

離散化の整合性,安定性,必要な解の正則性などが確保される場合, 有限要素メッシュや時間刻みを細かくすると,離散解は選んだ方程式の厳密解へ近づきます. しかし,その方程式自体が未解像状態を不適切に消去したモデルなら, 離散化誤差をどれだけ小さくしても元の現象には近づきません.

memory modelでは,少なくとも次の異なる近似が重なります.

  • full dynamicsからreduced memory equationを作る近似.
  • memory kernelまたはdelay lawを有限次元化する近似.
  • 空間を有限要素法で近似する誤差.
  • 時間をBDF・CQで近似する誤差.
  • CQ weightsと線形方程式を有限精度で計算する誤差.
今回の中心原理
model errorとstate-discretisation errorを一つの「数値誤差」にまとめない.
各近似段階の前後に中間問題を置き,同じtarget normでtelescoping decompositionを作る.

この分解によって,どの誤差が支配的かを判断でき, 不要なmesh refinementや過剰なlinear solveを避けられます.

1.full modelから計算結果までの階層

full stateを \[ X(t)=(u(t),z(t)) \] とし,観測・計算したいresolved componentを \[ PX(t)=u(t) \] とします. 計算までの階層を次のように書きます.

\[ \begin{aligned} \text{full dynamics }X &\longrightarrow \text{exact reduced trajectory }u^{\mathrm{red}} \\ &\longrightarrow \text{approximated-kernel solution }u^{K_N} \\ &\longrightarrow \text{spatially discrete solution }u_h^{K_N} \\ &\longrightarrow \text{fully discrete solution }U_{h,\Delta t,N} \\ &\longrightarrow \text{computed solution }\widetilde U_{h,\Delta t,N}. \end{aligned} \tag{1} \]

各矢印が一つの誤差源です. 重要なのは,すべての中間問題を明示することです. 中間問題を定義しなければ, 「kernel error」と「FEM error」を数学的に分離できません.

2.exact eliminationなら最初のmodel-reduction errorは零になり得る

第2回で扱った線形拡張系 \[ \begin{aligned} \partial_tu+Au+Bz&=f,\\ \partial_tz+Cz&=Du+g \end{aligned} \] から \(z\) をvariation of constantsで厳密に消去すると, \[ K(t)=Be^{-tC}D \] をもつmemory equationが得られます.

初期未解像状態に由来する \[ r_{z_0}(t)=Be^{-tC}z_0 \] と,未解像側のforcingを正しく残すなら,

\[ PX=u^{\mathrm{red}} \tag{2} \]

であり,この段階のreduction errorは零です.

一方,次の場合にはclosure errorが生じます.

  • 初期未解像状態 \(z_0\) の寄与を捨てる.
  • prehistoryを実際とは異なるzero historyへ置き換える.
  • nonlinear hidden dynamicsを線形kernelで近似する.
  • 一部のunresolved forcingを無視する.
  • 観測から同定したkernelが真のreduced operatorと一致しない.

従って,model reductionという語を 「kernelを有限個のmodeへ近似すること」だけに限定してはいけません. full modelからreduced equationを作る段階にも独立したerrorがあります.

3.exact telescoping decomposition

まず,物理変数について全中間解を共通の比較空間 \(\mathfrak X\) に再構成し,norm \(\|\cdot\|_{\mathfrak X}\) を選びます.時間格子上の値も,必要な時間再構成を施してから比較します. 式 (1) の中間解を用いると,恒等的に \[ \begin{aligned} PX-\widetilde U_{h,\Delta t,N} ={}& \bigl(PX-u^{\mathrm{red}}\bigr) \\ &+ \bigl(u^{\mathrm{red}}-u^{K_N}\bigr) \\ &+ \bigl(u^{K_N}-u_h^{K_N}\bigr) \\ &+ \bigl(u_h^{K_N}-U_{h,\Delta t,N}\bigr) \\ &+ \bigl(U_{h,\Delta t,N} -\widetilde U_{h,\Delta t,N}\bigr). \end{aligned} \tag{3} \]

三角不等式から \[ \begin{aligned} \|PX-\widetilde U_{h,\Delta t,N}\|_{\mathfrak X} \le{}& E_{\mathrm{closure}} + E_{\mathrm{kernel}} \\ &+ E_{\mathrm{space}} + E_{\mathrm{time}} + E_{\mathrm{alg}}. \end{aligned} \tag{4} \]

error component 比較する二つの問題
\(E_{\mathrm{closure}}\) full resolved stateとexact reduced model
\(E_{\mathrm{kernel}}\) exact kernelと近似kernel
\(E_{\mathrm{space}}\) 近似kernelの連続問題とspace semidiscretisation
\(E_{\mathrm{time}}\) semidiscrete trajectoryとBDF・CQ solution
\(E_{\mathrm{alg}}\) exact discrete solutionとcomputer output

4.誤差を足す前にtarget normを固定する

異なるnormで得たboundをそのまま足すことはできません. 最初に最終的なtarget normを決める必要があります.

coercive instantaneous regime

第4回・第7回の理論では,例えば \[ \mathfrak X = L_\beta^2(0,T;V), \tag{5} \] または \[ \mathfrak X = W(0,T)\cap C([0,T];H) \tag{6} \] を使います.

degenerate instantaneous regime

第6回の問題では,物理変数だけの \(L^2(0,T;V)\)-normを一様に制御できないため, \[ \mathfrak X = C([0,T];\mathcal W) \tag{7} \] というmemory graph normを使うことがあります.ただし式 (3) は物理変数 \(PX,u^{\mathrm{red}},\dots\) の差なので,そのまま \(C([0,T];\mathcal W)\) で測ることはできません.graph normを使うなら,全中間モデルの内部変数を共通のextended memory state spaceへliftまたは再構成し,その全状態の差でtelescoping decompositionを作る必要があります.異なるkernelでstate space自体が変わる場合には,共通の埋込みまたは比較写像も必要です.この構成がない段階では,物理変数の共通norm(例えば \(C([0,T];H)\))で式 (4) を読むべきです.

注意
coercive problemの \(L_\beta^2(0,T;V)\)-errorと, degenerate problemのgraph-energy errorを, 同じ数値として無条件に比較してはいけない.

5.raw residualではなくstability-amplified errorを見る

各errorは一般に \[ \text{error} \le \text{stability factor} \times \text{residual} \tag{8} \] という形になります.

measure-valued delayのkernel perturbationでは, \[ d_{\mu,\beta} := \alpha_0-\Lambda_1\kappa_\mu(\beta)>0 \] のとき \[ \|u_\mu-u_\nu\|_{L_\beta^2(0,T;V)} \le \frac{ \|K_{\mu-\nu}\widetilde u_\nu\|_{L_\beta^2(0,T;V^*)} }{ d_{\mu,\beta} }. \tag{9} \]

同じkernel residualでも, \(d_{\mu,\beta}\) が小さければsolution errorは大きく増幅されます. 従って,誤差指標はresidualの大きさだけでなく, stability marginを必ず含める必要があります.

6.lag-measure approximation errorは現在の理論で分離できる

delay law \(\mu\) を有限原子測度 \[ \mu_N = \sum_{j=1}^{N} m_j\delta_{\tau_j} \tag{10} \] へ置き換えます. 同じmassをもつ非負測度で,joined limit trajectoryが \(H^\theta(\mathbb R;V)\)-extensionをもつなら, 第7回のWasserstein estimateから \[ \|u_\mu-u_{\mu_N}\|_{\mathfrak X} \le C_{\mathrm{ker}} W_1(\mu_N,\mu)^\theta, \qquad 0<\theta\le1. \tag{11} \]

従って \[ E_{\mathrm{kernel}}^{\mathrm{lag}} := C_{\mathrm{ker}} W_1(\mu_N,\mu)^\theta \tag{12} \] を,lag-measure model-reduction errorとして独立に記録できます.

等分割mass lumpingでは \[ W_1(\mu_N,\mu) \le \frac{M\tau}{N}, \tag{13} \] なので \[ E_{\mathrm{kernel}}^{\mathrm{lag}} = O(N^{-\theta}) \tag{14} \] です. この項は空間mesh size \(h\) や時間刻み \(\Delta t\) とは独立に評価されます.

7.Paper IIで確立されている二項分解

有限原子kernel \(\mu_N\) に対するfully discrete approximationを \(U_{h,\Delta t,N}\) とすると, 現在のcontinuous kernel-stability theoryから \[ \begin{aligned} \|u_\mu-U_{h,\Delta t,N}\|_{\mathfrak X} \le{}& C W_1(\mu_N,\mu)^\theta \\ &+ \|u_{\mu_N}-U_{h,\Delta t,N}\|_{\mathfrak X} \end{aligned} \tag{15} \] という分解が得られます.

\[ \boxed{ \text{total error} \le \text{kernel-transport error} + \text{state-discretisation error} } \tag{16} \]

第一項は既にWasserstein distanceで制御されています. 第二項をspace errorとtime errorへさらに分解し, そのconstantをatomic kernel familyに対して一様に保つことが fully discrete sequelの中心課題です.

8.delay atomsとProny modesには別々のmodel errorがある

第7回で近似したのはdelay location \(s\) 上の測度 \[ \mu(ds) \] です.一方,第8回・第9回のProny approximationは, relaxation rate \(\lambda\) 上のBernstein measure \[ \nu(d\lambda) \] を \[ \nu_L = \sum_{\ell=1}^{L} c_\ell\delta_{\lambda_\ell} \tag{17} \] へ近似します.

従ってkernel model errorには \[ E_{\mathrm{kernel}} = E_{\mathrm{lag}} + E_{\mathrm{relax}} \tag{18} \] という二つの方向があり得ます.ただし,この加算は両方の近似を実際に順次行い,それぞれに対応する中間問題を同じ比較空間で定義した場合の概念的な分解です.一方しか行わない場合は他方の誤差を0とし,各項を別々に評価しない限り数値的な保証にはなりません.

approximation 原子を置く変数 縮約後の表現
finite delay quadrature lag \(s\) shifted states \(u(t-\tau_j)\)
finite Prony approximation relaxation rate \(\lambda\) local internal variables \(\zeta_\ell\)

両者を同じ \(N\) で表し,一つの「kernel discretisation」と呼ぶと, どの変数を改善すべきか分からなくなります.

9.Prony approximationでは何を残差として測るか

exact memory kernel \(k\) とProny approximation \(k_L\) を考えます. coercive regimeでは,reference solution \(u_{k_L}\) に沿った \[ R_{\mathrm{relax},L}(t) := A_1\bigl[(k-k_L)*u_{k_L}\bigr](t) \tag{19} \] をkernel residualとし, \[ \|u_k-u_{k_L}\|_{\mathfrak X} \le C_{\mathrm{stab}} \|R_{\mathrm{relax},L}\|_{\mathfrak Y} \tag{20} \] という形を目標にできます.

Laplace領域では \[ \widehat k(z)-\widehat k_L(z) = \int_{[0,\infty)} \frac{1}{z+\lambda} \,d(\nu-\nu_L)(\lambda) \tag{21} \] がtransfer-function errorです.

ただし,現在のlag-measure論文が直接確立しているのは delay variable上のWasserstein estimateです. 一般Bernstein measureに対するsharpなProny error bound, 特にdegenerate graph normでの一様estimateは, 別途構築すべき解析課題です. ここでは式 (19) をerror ledger上の独立項として置き, 未証明の普遍rateは仮定しません.

10.space errorはbest approximationだけではない

kernelを固定した連続解 \(u^{K_N}\) とspace semidiscrete solution \(u_h^{K_N}\) の差を考えます. conforming methodではbest approximationを中心に評価できますが, Crouzeix–Raviart法ではnonconforming consistencyも現れます. 概念的には \[ E_{\mathrm{space}} \le E_{\mathrm{approx}} + E_{\mathrm{cons}}. \tag{22} \]

異方性CR法では

  • 方向別補間誤差
  • semi-regular mesh parameter
  • broken gradient norm
  • face jumpまたはconsistency residual
  • 必要に応じたCR–RT reconstruction

がspace errorを構成します. memory termがあるから異方性補間理論が消えるわけではなく, 各time levelまたはtime integralの中で同じ空間誤差を評価します.

Paper IIで確立されているのは, kernel-transport constantがconforming・CR semidiscretisation後も mesh-independentに保たれることです. \(u_{\mu_N}-u_{h,\mu_N}\) の完全なspace consistency estimateは 独立した数値解析層です.

11.time errorをさらに分ける

BDF・CQによるtime errorは一項ではありません. 少なくとも \[ E_{\mathrm{time}} \le E_{\mathrm{BDF/CQ}} + E_{\mathrm{start}} + E_{\mathrm{delay\mbox{-}interp}} \tag{23} \] と分けます.

  • \(E_{\mathrm{BDF/CQ}}\):smooth partに対するtime-stepping consistency error.
  • \(E_{\mathrm{start}}\):初期層,non-smooth data,starting procedureによる誤差.
  • \(E_{\mathrm{delay\mbox{-}interp}}\):delay atomがtime grid上にない場合のoff-grid history interpolation error.

Prony internal-variable methodではoff-grid delay interpolationは現れませんが, relaxation-spectrum approximation errorが別に現れます. delay-variable discretisationとrelaxation-variable discretisationで, time algorithmの誤差構造も異なります.

12.CQ weight computationとlinear solver error

理論上のfully discrete solution \(U_{h,\Delta t,N}\) と, 実際にcomputerが返す \(\widetilde U_{h,\Delta t,N}\) は同じではありません.

algebraic errorを \[ E_{\mathrm{alg}} \le E_{\mathrm{weight}} + E_{\mathrm{solve}} + E_{\mathrm{round}} \tag{24} \] と分けます.

  • \(E_{\mathrm{weight}}\):contour integral・FFT・Prony fittingなどによるCQ weightの計算誤差.
  • \(E_{\mathrm{solve}}\):各time stepのlinear systemを有限toleranceで止める誤差.
  • \(E_{\mathrm{round}}\):長時間history accumulationとfloating-point roundingの影響.

第8回で定義したenergy residual \[ \mathfrak R_{\mathrm{en}}^n \] は,これらの実装誤差がcontinuous structureをどの程度壊したかを監査する指標になります.

13.誤差指標と厳密な上界を区別する

実際の計算では \[ \eta_{\mathrm{closure}}, \quad \eta_{\mathrm{kernel}}, \quad \eta_{\mathrm{space}}, \quad \eta_{\mathrm{time}}, \quad \eta_{\mathrm{alg}} \tag{25} \] というindicatorを作ります. しかし,すべてが自動的にrigorous upper boundになるわけではありません.

component 計算可能性
lag-kernel error \(\mu\) が既知なら \(W_1(\mu_N,\mu)\) から評価可能
space-time residual equilibrated reconstruction等によりcertificate化可能
algebraic residual solver residualとenergy balanceから直接計算可能
closure error full model・追加観測・validation dataがなければ一般に計算不能

closure errorが未知なのに, FEM residualだけを小さくして「全誤差が保証された」と主張してはいけません.

14.output errorも同じ階層で分ける

目的量 \[ \mathcal J(u) \] を評価したい場合も,同じ中間問題を使います. 線形functionalなら \[ \begin{aligned} |\mathcal J(PX)-\mathcal J(\widetilde U)| \le{}& |\mathcal J(PX-u^{\mathrm{red}})| \\ &+ |\mathcal J(u^{\mathrm{red}}-u^{K_N})| \\ &+ |\mathcal J(u^{K_N}-u_h^{K_N})| \\ &+ |\mathcal J(u_h^{K_N}-U)| \\ &+ |\mathcal J(U-\widetilde U)|. \end{aligned} \tag{26} \]

単純には \[ |\mathcal J(v)| \le \|\mathcal J\|_{\mathfrak X^*} \|v\|_{\mathfrak X} \] を使えます. よりsharpなoutput estimateには,DWRやdual problemを各層へ適用する必要があります.

特にkernel errorもgoal-orientedに評価すれば, 「解全体を近似するためのkernel」と 「特定のoutputを正確にするためのkernel」が異なる可能性があります.

15.error budgetを設定する

全許容誤差を \(\mathrm{TOL}\) とし, \[ \mathrm{TOL} = \mathrm{TOL}_{\mathrm{closure}} + \mathrm{TOL}_{\mathrm{kernel}} + \mathrm{TOL}_{\mathrm{space}} + \mathrm{TOL}_{\mathrm{time}} + \mathrm{TOL}_{\mathrm{alg}} \tag{27} \] と配分します.

目標は,各componentを同じ大きさへ機械的に揃えることではなく, costとreducibilityを考えて配分することです.例えば

  • kernel errorが支配的なら,mesh refinementを止めてatomまたはmodeを増やす.
  • space errorが支配的なら,\(N\) や \(L\) を固定してmeshを改善する.
  • time errorが支配的なら,\(\Delta t\) またはstarting treatmentを改善する.
  • algebraic errorが十分小さければ,solver toleranceをさらに厳しくしない.
  • closure errorが不明なら,追加観測またはfull-model comparisonを優先する.

16.一様なstability constantがなければ極限を交換できない

fully discrete programmeでは \[ N\to\infty, \qquad h\to0, \qquad \Delta t\to0 \] という複数の極限があります.

形式的に各誤差が0へ行っても,constantが他のparameterに依存して発散すれば, 極限順序を交換できません. 必要なのは \[ \|u_\mu-U_{h,\Delta t,N}\|_{\mathfrak X} \le C \left[ W_1(\mu_N,\mu)^\theta + \eta_h + \eta_{\Delta t} \right] \tag{28} \] を,\(C\) が \(h,\Delta t,N\) に依存しない形で示すことです.

Paper IIはkernel-transport estimateが conformingおよびCR spatial semidiscretisationへ mesh-uniformに移ることを示しています. しかし,space consistencyとtime steppingを含む 完全離散uniform estimateは今後の数値解析課題です.

17.zero-delay boundaryでは通常のerror budgetが壊れる

positive lagに集中するatomic familyでは,一つのweightと一つのstability marginを 一様に選べます. 一方,delay massが原点へ近づくと \[ \kappa_{M\delta_{\tau_d}}(\beta) = Me^{-\beta\tau_d} \tag{29} \] であり,subcritical thresholdを越えるfamilyでは 一様なmarginのための \(\beta\) が \(\tau_d^{-1}\)-scaleで発散します.

従って,\(W_1(M\delta_{\tau_d},M\delta_0)\) が小さいだけでは, uniform solution errorは保証されません. 原点では \(M\delta_0\) をinstantaneous operatorへ吸収し, 比較する中間問題自体をrenormaliseする必要があります.

教訓
model distanceが小さいことと,solution distanceが小さいことは同じではない.
両者を結ぶstability constantが一様であることを確認しなければならない.

18.実際のerror ledger

一回の計算について,次の表を保存します.

項目 使用parameter indicator / bound
closure hidden model,prehistory,identified parameters validation mismatchまたはfull-model residual
lag kernel atom数 \(N\),位置 \(\tau_j\),mass \(m_j\) \(C_{\mathrm{ker}}W_1(\mu_N,\mu)^\theta\)
relaxation spectrum mode数 \(L\),\(\lambda_\ell,c_\ell\) transfer-functionまたはmemory residual
space mesh \(\mathcal T_h\) element residual,jump,CR–RT reconstruction
time \(\Delta t\),BDF order,starting rule time reconstruction residual
algebraic solver tolerance,weight precision linear residual,energy residual

このledgerを比較すれば,計算costをどこへ追加すべきかが分かります.

19.現在確立されていることと今後の課題

現在の連続理論が与えるもの

  • weighted well-posednessとasymmetric residual principle.
  • total variation・narrow・Wassersteinによるlag-kernel stability.
  • finite-atomic delay approximationの \(W_1^\theta\)-error.
  • kernel errorとstate-discretisation errorの二項分離.
  • kernel estimateのmesh-uniform spatial Galerkin transfer.

数値論文で新たに必要なもの

  • CR spatial consistencyと異方性補間errorの完全評価.
  • BDF1・BDF2・CQ time errorのkernel-family一様評価.
  • off-grid delay interpolationとstarting errorの分離.
  • relaxation-spectrum Prony approximationの定量的residual bound.
  • graph normにおけるvanishing-coercivity robust error estimate.
  • 各componentを計算可能にするa posteriori certificate.

従って,式 (4) は研究programme全体の設計図です. すべての項に既に完成したsharp theoremがある,という主張ではありません.

Conclusion

model-reduction errorを正しく扱うには, full modelとcomputed solutionの間に中間問題を置き, 各近似段階を別々に比較する必要があります.

\[ \begin{aligned} \text{total error} \le{}& \text{closure error} + \text{kernel error} \\ &+ \text{space error} + \text{time error} + \text{algebraic error}. \end{aligned} \]

exact state eliminationならclosure errorは零になり得ますが, initial hidden stateやprehistoryを捨てれば再びmodel errorが生じます. lag-measure approximationについてはWasserstein stabilityが kernel errorを独立に制御します. 一方,Prony approximation,fully discrete CR–CQ error, graph-space certificateには追加の解析が必要です.

最も重要なのは,すべてのerrorを同じtarget normで測り, stability amplificationを含むindicatorとして管理することです. これによって,mesh,time step,delay atoms,relaxation modes, solver toleranceのどれを改善すべきか判断できます.

次回: 第11回:誤差に応じて潜在状態を追加するmodel adaptivity
error ledgerから支配的なcomponentを判定し, delay atom,Prony mode,空間要素,時間stepを選択的に追加する適応化戦略を整理します.

前の記事: 第9回:BDFとconvolution quadratureは何を離散化しているのか

関連ページ: Publications(S3–S5,A3), Research Visions(Vision 11,18), Supplementary Visions(履歴依存型発展方程式とmemory kernel)

ページの先頭へ