第11回:誤差に応じて潜在状態を追加するmodel adaptivity
Introduction:適応化するのはmeshだけではない
第10回では,full dynamicsからcomputer outputまでの誤差を \[ E_{\mathrm{closure}} + E_{\mathrm{kernel}} + E_{\mathrm{space}} + E_{\mathrm{time}} + E_{\mathrm{alg}} \] へ分解しました. このerror ledgerを作る目的は,誤差を分類して終わることではありません. 次に何を追加・改善すべきかを決めることです.
従来のadaptive FEMでは,主に空間meshを細分します. しかしmemory equationでは,誤差の原因が空間解像度とは限りません. 不足しているのが
- delay locationを表すatomかもしれない.
- relaxation spectrumを表すProny modeかもしれない.
- 初期層を解像するtime stepかもしれない.
- そもそもreduced modelに含まれていないhidden mechanismかもしれない.
最も大きいstability-amplified error componentを特定し, そのcomponentを減らす状態変数・mesh・time stepだけを追加する.
この方法では,delay atomやProny modeも,有限要素の自由度と同じ 計算上の潜在状態として扱います.
1.何を「潜在状態」と呼ぶのか
ここでいう潜在状態は,観測対象 \(u\) そのものではないが, 過去の影響を再現するために計算モデルへ追加する状態です. 代表的には二種類あります.
1.1 delay atom
delay measureを \[ \mu_N = \sum_{j=1}^{N} m_j\delta_{\tau_j} \tag{1} \] と近似すると, \[ K_{\mu_N}\widetilde u(t) = \sum_{j=1}^{N} m_jA_1\widetilde u(t-\tau_j). \tag{2} \] 各 \(\tau_j\) は,過去のどの時刻を参照するかを表す潜在的なhistory channelです.
1.2 Prony mode
completely monotone kernelを \[ k_L(t) = \sum_{\ell=1}^{L} c_\ell e^{-\lambda_\ell t}, \qquad c_\ell>0 \tag{3} \] と近似すると,各modeは \[ \partial_t\zeta_\ell + \lambda_\ell\zeta_\ell = u \tag{4} \] という内部状態をもちます. \(\lambda_\ell\) は緩和率です.\(\lambda_\ell>0\) のとき対応する緩和時間は \(1/\lambda_\ell\) であり,\(\lambda_\ell=0\) の成分は指数減衰しません.
delay atomはlag variable上の履歴参照チャネルであり,Prony modeはrelaxation-rate variable上の内部変数ODEです.前者は原子一つにつき一つの有限次元ODE状態が増えることを意味しません. 両者を区別したままadaptivityを設計する必要があります.
2.適応化の対象は五種類ある
計算configurationを \[ \mathfrak C = \bigl( \mathcal M_N,\, \mathcal P_L,\, \mathcal T_h,\, \mathcal I_{\Delta t},\, \mathrm{tol}_{\mathrm{alg}} \bigr) \tag{5} \] と書きます.
- \(\mathcal M_N\):delay atoms \((m_j,\tau_j)\) の集合.
- \(\mathcal P_L\):Prony modes \((c_\ell,\lambda_\ell)\) の集合.
- \(\mathcal T_h\):空間mesh.
- \(\mathcal I_{\Delta t}\):時間分割.
- \(\mathrm{tol}_{\mathrm{alg}}\):weight計算とlinear solverの精度.
一回のadaptive stepでは,これらを同時にすべて増やすのではなく, error ledgerに従って一部だけを更新します.
3.raw indicatorではなくstability-adjusted indicatorを比較する
各残差indicatorを \[ \eta_{\mathrm{closure}}, \quad \eta_{\mathrm{lag}}, \quad \eta_{\mathrm{relax}}, \quad \eta_{\mathrm{space}}, \quad \eta_{\mathrm{time}}, \quad \eta_{\mathrm{alg}} \tag{6} \] とします.
しかし,残差の大きさだけではsolution errorへの影響を比較できません. 例えばkernel residualはweighted stability margin \[ d_{\mu,\beta} = \alpha_0-\Lambda_1\kappa_\mu(\beta) \tag{7} \] によって増幅されます.
そこで \[ \widehat\eta_i := C_i^{\mathrm{stab}}\eta_i \tag{8} \] というstability-adjusted indicatorを用います. 目標は \[ \|u-\widetilde U\|_{\mathfrak X} \le \sum_i\widehat\eta_i \tag{9} \] です.
残差そのものではなく, その残差が解へ与える影響を含んだ \(\widehat\eta_i\) を比較する.
4.基本的なadaptive loop
model adaptivityの基本loopは
\[ \textsf{SOLVE} \longrightarrow \textsf{ESTIMATE} \longrightarrow \textsf{MARK} \longrightarrow \textsf{ENRICH} \tag{10} \]です.具体的には次のようになります.
- 現在のconfiguration \(\mathfrak C_m\) でstructure-preserving schemeを解く.
- error ledger \[ \widehat\eta_{\mathrm{closure}}^{(m)}, \widehat\eta_{\mathrm{lag}}^{(m)}, \widehat\eta_{\mathrm{relax}}^{(m)}, \widehat\eta_{\mathrm{space}}^{(m)}, \widehat\eta_{\mathrm{time}}^{(m)}, \widehat\eta_{\mathrm{alg}}^{(m)} \] を計算する.
- 全誤差に占める割合が大きいcomponentをmarkする.
- 対応するatom,mode,element,time intervalだけを追加・細分する.
- stability marginと離散energy lawを再確認する.
5.delay-atom adaptivity
非負delay measure \(\mu\) を区間分割 \[ [0,\tau] = \bigcup_{j=1}^{N}I_j \] 上で原子化するとします. 各区間のmassを \[ m_j:=\mu(I_j) \] とし,代表点を \(\tau_j\in I_j\) とすると, local transport costは \[ \eta_{\mathrm{lag},j} := \int_{I_j}|s-\tau_j|\,d\mu(s). \tag{11} \]
全体として \[ W_1(\mu_N,\mu) \le \sum_{j=1}^{N}\eta_{\mathrm{lag},j}. \tag{12} \] reference trajectoryが \(H^\theta\)-regularなら, \[ \widehat\eta_{\mathrm{lag},j} := C_{\mathrm{ker}} \eta_{\mathrm{lag},j}^{\theta} \tag{13} \] をlocal model indicatorとして使えます.ただし式 (13) は各区間の近似寄与に対する保守的な配分です.\(0<\theta\le1\) では \((\sum_j\eta_{\mathrm{lag},j})^\theta\le\sum_j\eta_{\mathrm{lag},j}^\theta\) であり,全体の誤差上界と各indicatorを同一視してはいけません.
大きい \(\eta_{\mathrm{lag},j}\) をもつ区間を二分し, 各subintervalのmassとbarycentreから新しいatomsを作ります. これにより,historyのどのlag regionを追加解像すべきかを選べます.
6.delay atomを追加するときに保存すべきもの
atom refinementは単なるpoint insertionではありません. 少なくとも次を保存します.
- mass preservation: \[ \mu_N([0,\tau]) = \mu([0,\tau]). \]
- positivity: 非負kernelを近似するときは \(m_j\ge0\) を保つ.
- retarded support: 瞬時作用として扱わない限り \(\tau_j>0\) を保つ.
- uniform stability margin: refinement後も \[ d_{\mu_N,\beta}\ge d_*>0 \] を確認する.
特に原点近傍へatomを追加すると,weighted marginが急速に悪化し得ます. zero-delay boundaryでは,atom refinementではなく instantaneous formへのrenormalisationを検討すべきです.
7.trajectory-awareなatom配置
measureだけを見たtransport costでは, 同じ距離の移動をすべて同じ重さで数えます. しかし,reference trajectory \(G\) があるlag rangeでほとんど変化しないなら, その範囲を細かく分割する必要はありません.
第7回のtranslation modulus \[ \omega_G(r) := \sup_{|h|\le r} \|G(\cdot-h)-G\|_{L^2(\mathbb R;V)} \tag{14} \] を使い, \[ \eta_{\mathrm{lag},j}^{G} := \int_{I_j} \omega_G(|s-\tau_j|)\,d\mu(s) \tag{15} \] とすれば,trajectory-awareなmarkingができます.
これは「kernelをよく近似するatom配置」ではなく, 「現在のsolution trajectoryに対するhistory operatorをよく近似するatom配置」です.
8.Prony-mode adaptivity
relaxation spectrum \(\nu\) を \[ \nu_L = \sum_{\ell=1}^{L} c_\ell\delta_{\lambda_\ell} \tag{16} \] へ近似するとき,transfer-function residualは \[ \mathcal R_L(z) := \widehat k(z) - \sum_{\ell=1}^{L} \frac{c_\ell}{z+\lambda_\ell}. \tag{17} \]
計算で重要なfrequency region \(\Gamma\) を選び, 例えば \[ \eta_{\mathrm{relax}} := \sup_{z\in\Gamma} w(z)|\mathcal R_L(z)| \tag{18} \] を用いることができます. \(w(z)\) はproblemのresolventやtarget normを反映するweightです.
localisationには,relaxation-rate axisをcells \(J_\ell\) へ分け, 各cellがtransfer-function residualへ与える寄与を評価します. 大きいcellを分割し,新しいpositive modeを追加します.
lag-measure approximationにはWasserstein stability theoremがある.
一般Bernstein measureに対するsharpで完全なProny-mode estimatorは, 今後構築すべき研究課題である.
9.Prony refinementでもpositivityを壊さない
第8回の離散graph energyは \[ \sum_{\ell=1}^{L} c_\ell a_{1,h}(\zeta_{\ell,h},\zeta_{\ell,h}) \tag{19} \] を使います. 従ってadaptive fittingで \[ c_\ell<0 \] を許すと,transfer functionのfitが改善してもenergy normを失う可能性があります.
structure-preserving Prony adaptivityでは
- \(c_\ell>0\) を保つ.
- \(\lambda_\ell\ge0\) を保つ.
- 必要ならtotal Bernstein massを保存する.
- 追加後もBDF1またはBDF2の同じmode equationを使う.
ことが必要です. モデルの近似精度だけでなく,energy certificateの可用性もrefinement constraintになります.
10.space adaptivity
空間誤差が支配的なら,通常のmesh refinementへ進みます. Crouzeix–Raviart法では概念的に \[ \eta_{\mathrm{space}}^2 = \sum_{K\in\mathcal T_h} \eta_K^2 + \sum_{F\in\mathcal F_h} \eta_F^2 \tag{20} \] とします.
- \(\eta_K\):element residualとflux imbalance.
- \(\eta_F\):nonconforming jumpまたはface consistency residual.
- CR–RT reconstruction:局所保存fluxと計算可能なcertificate.
異方性meshでは,単純なdiameterだけでなく, element directions,semi-regularity parameter,方向別補間誤差を反映して refinement directionを決めます.
memory equationでは,physical variableとすべてのinternal variablesに 同じmeshを使えばcross-term cancellationを保ちやすくなります. 異なるmeshを使う場合には,coupling transfer operatorsの離散adjoint性が必要です.
11.time adaptivity
time errorが支配的なら, time reconstruction residualを各区間 \[ I_n=(t_{n-1},t_n] \] で評価し, \[ \eta_{\mathrm{time}}^2 = \sum_n\eta_{\mathrm{time},n}^2 \tag{21} \] とします.
小さくすべきtime intervalsは,必ずしもsolution amplitudeが大きい場所ではありません.
- 初期層がある \(t=0\) 近傍.
- forcingが急変する時刻.
- memory stateが急速に立ち上がる時刻.
- off-grid delayが参照するhistoryに大きな変化がある区間.
variable-step BDF・CQでは,constant-step generating functionによる 単純なhidden-state identityをそのまま使えません. 従ってtime adaptivityを導入するときには, 可変step methodのstabilityと離散energy lawを別途証明する必要があります.
12.algebraic adaptivity
linear solver residualが space-time discretisation errorより十分小さいなら, solver toleranceをさらに厳しくする意味はありません.
例えば \[ \widehat\eta_{\mathrm{alg}} \le \gamma_{\mathrm{alg}} \left( \widehat\eta_{\mathrm{kernel}} + \widehat\eta_{\mathrm{space}} + \widehat\eta_{\mathrm{time}} \right), \tag{22} \] \[ 0<\gamma_{\mathrm{alg}}<1 \] を満たす範囲でlinear solveを止めます.
第8回のenergy residual \[ \mathfrak R_{\mathrm{en}}^n \] が大きい場合には,linear residualだけでなく, CQ weight precision,mode weights,coupling matrices,time levelsの整合性を調べます.
13.closure errorが支配的なら離散自由度を増やさない
最も重要な分岐は \[ \widehat\eta_{\mathrm{closure}} \gg \widehat\eta_{\mathrm{kernel}} + \widehat\eta_{\mathrm{space}} + \widehat\eta_{\mathrm{time}} \tag{23} \] の場合です. このとき,meshやmodeを増やしてもfull dynamicsとのずれはほとんど改善しません.
必要なのは
- 新しいhidden mechanismをreduced modelへ追加する.
- zero prehistory仮定を見直す.
- unresolved forcingを追加する.
- 観測dataからkernelを再同定する.
- full modelまたは実験dataとのvalidationを行う.
ことです. これがmesh adaptivityとmodel adaptivityの最も大きな違いです.
14.marking strategy
全indicatorの和を \[ \widehat\eta_{\mathrm{tot}} := \sum_i\widehat\eta_i \tag{24} \] とします. component markingには,例えば \[ \widehat\eta_i \ge \vartheta_{\mathrm{comp}} \max_j\widehat\eta_j \tag{25} \] を満たすcomponentを選ぶ方法があります.
component内部ではDörfler型markingを使い, local indicatorsの集合 \(\mathcal M\) を \[ \sum_{\chi\in\mathcal M}\eta_\chi^2 \ge \vartheta_{\mathrm{loc}} \sum_{\chi}\eta_\chi^2 \tag{26} \] となるよう選びます.
\(\chi\) は,状況に応じて
- delay interval \(I_j\)
- relaxation-rate cell \(J_\ell\)
- mesh element \(K\)
- time interval \(I_n\)
を表します.
15.一回のadaptive update
一回のupdateを概念的に書くと \[ \mathfrak C_m \longmapsto \mathfrak C_{m+1} \tag{27} \] であり,次の分岐を使います.
| dominant indicator | adaptive action |
|---|---|
| closure | reduced modelまたはdata assimilationを更新 |
| lag kernel | marked lag cellsを分割し,delay atomsを追加 |
| relaxation spectrum | marked rate cellsへpositive Prony modesを追加 |
| space | marked elementsを方向適応的に細分 |
| time | marked time intervalsを細分 |
| algebraic | weight precisionまたはsolver toleranceを改善 |
16.refinement後に必ずstructure auditを行う
adaptive enrichmentによってerror indicatorが減っても, energy structureを壊してはいけません. 各update後に次を監査します.
- delay・Prony weightsのpositivity.
- total massまたは必要なmomentの保存.
- 原点のatomとinstantaneous termの分離.
- physical equationとinternal equationsで同じ \(a_{1,h}\) を使用.
- coupling operatorsの離散adjoint relation.
- weighted stability marginまたはgraph-energy coercivity.
- BDF1/BDF2 energy residualのsmallness.
このauditを通らないenrichmentは,fit errorを減らしても structure-preserving model adaptivityとは呼べません.
17.coarseningも必要である
潜在状態を追加し続けるだけでは,model complexityは単調に増加します. 長時間計算やparameter studyではcoarseningも必要です.
候補となる基準は
- 長時間にわたりindicator contributionが小さいdelay atomをmergeする.
- 近接したrelaxation ratesをpositive mass-preserving ruleで統合する.
- inactiveなmesh regionをcoarsenする.
- solutionが滑らかなtime regionでstepを大きくする.
ことです.
ただし,coarsening errorも同じledgerへ追加し, coarsening前後のsolution perturbationをcertifyしなければなりません.
18.goal-oriented model adaptivity
解全体ではなく目的量 \[ \mathcal J(u) \] だけを正確にしたい場合, 各model componentのimportanceはdual solutionによって変わります.
goal-oriented indicatorは概念的に \[ \eta_i^{\mathcal J} = \langle R_i,Z\rangle \tag{28} \] です.ここで \(R_i\) は closure,kernel,space,time,algebraic residualのいずれかで, \(Z\) はdual weightです.
すると,solution normでは重要でない長いlagが, 特定のterminal outputには重要である場合があります. 逆に,大きなstate errorを作るmodeが,目的量にはほとんど影響しないこともあります.
DWRをmodel hierarchy全体へ拡張することは, verified outputとunresolved dynamicsを結ぶ重要な研究方向です.
19.model adaptivityの収束に必要なもの
adaptive loopが経験的に働くだけでなく, 数学的に収束するためには,少なくとも次が必要です.
- reliability: total errorがindicatorの和で上から評価される.
- local efficiency: indicatorが実際の局所誤差を過度に過大評価しない.
- estimator reduction: marked componentをrefineすると対応indicatorが減少する.
- quasi-orthogonality: successive approximationsのerror interactionを制御できる.
- uniform stability: atom数,mode数,mesh,time stepに対してstability constantが発散しない.
adaptive FEMではこれらの枠組みが発展していますが, delay atoms・Prony modes・CR–CQ discretisationを同時に含む model adaptivityについては,新しい理論が必要です.
20.研究programmeとしての最小構成
実際に論文として進めるなら,最初からすべてのcomponentを扱う必要はありません. 次の段階が現実的です.
- Stage I: kernelを固定し,structure-preserving CR–BDF1/BDF2 schemeと graph-energy error estimateを確立する.
- Stage II: finite delay atomsに対するWasserstein kernel errorと state-discretisation errorを一つのboundへ統合する.
- Stage III: lag cells・mesh elements・time intervalsの三方向adaptivityを構築する.
- Stage IV: positive Prony-mode adaptivityとrelaxation-spectrum errorを加える.
- Stage V: closure indicatorとgoal-oriented model enrichmentへ拡張する.
この順序なら,既に確立しているweighted stability, Wasserstein kernel error,graph-energy structure, 異方性CR解析を順番に接続できます.
21.何が現在の定理で,何が構想なのか
現在の理論で支えられている部分
- measure-valued delayのweighted well-posedness.
- asymmetric residual principle.
- lag-measure approximationに対するWasserstein stability.
- finite-atomic approximationとstate-discretisation errorの分離.
- continuous graph-space stabilityとcross-term cancellation.
- finite Prony modelに対するBDF1・BDF2の離散energy algebra.
今後証明すべき部分
- fully discrete CR–CQ a posteriori estimatorのreliabilityとefficiency.
- adaptive delay-atom refinementのestimator reduction.
- positive Prony-mode residual estimator.
- variable-step CQのstructure-preserving energy law.
- 複数componentを同時にrefineするadaptive loopの収束・準最適性.
- closure errorを観測dataからcertifyする方法.
従って,本記事は完成済みのadaptive theoremを主張するものではありません. 既存の連続・離散構造を,実行可能な研究programmeへ組み替えたものです.
Conclusion:見えない状態を,必要な分だけ追加する
model adaptivityは,有限要素meshを細かくするだけの方法ではありません. error ledgerを通して,現在の計算に不足している情報が
- 過去のどのdelay locationにあるのか,
- どのrelaxation time scaleにあるのか,
- 空間のどのelementにあるのか,
- 時間のどのintervalにあるのか,
- あるいはmodelの外側にあるのか,
を判定し,必要な状態だけを追加します.
\[ \text{error localisation} \longrightarrow \text{selective state enrichment} \longrightarrow \text{structure audit} \longrightarrow \text{certified reduction} \]delay atomsは過去を参照するチャネル,Prony modesは内部状態,finite-element unknownsは空間自由度です. それぞれ計算上の役割と必要な記憶容量が異なるため,単純に同じ種類の状態変数とはみなしません. 重要なのは,状態数を増やすことではなく, 観測量と誤差に応じて必要な状態だけを選び, positive weights,causality,cross-term cancellation, stability marginを壊さずに追加することです.
未解像状態の消去からmemory kernelを導き, measure-valued delay,weighted well-posedness,positive-type memory, graph-space stability,kernel approximation,BDF-CQ,error decompositionを経て, 誤差に応じて潜在状態を更新するmodel adaptivityへ到達しました.
前の記事: 第10回:model-reduction errorをどう分解するか
連載一覧: Blog「履歴依存型発展方程式:memory kernelと構造保存完全離散化」
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)
