PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02564v1math.NA

커널 능형 회귀를 이용한 동역학계의 닫힘 모델 학습

Learning Closure of Dynamical Systems with Kernel Ridge Regression

본 연구에서는 커널 능형 회귀(Kernel Ridge Regression, KRR)를 사용하여 동역학계(dynamical systems)의 누락된 성분을 식별하기 위한 닫힘 모델링(closure modeling) 프레임워크를 개발합니다. 이 프레임워크는 두 가지 부류의 닫힘 문제를 다룹니다. 즉, 상미분방정식(ODE) 및 편미분방정식(PDE) 환경에서 발생하는 차분방정식 닫힘과, 기체운동학 방정식의 모멘트 닫힘(moment closure)에서 발생하는 대수적 닫힘입니다. 첫 번째 부류에 대해, 저자들은 시간 적분, 미해결 스케일(unresolved scales)의 근사, 그리고 미해결 스케일의 효과를 해석된 솔버(resolved solver)와 결합하는 데 필요한 보간(interpolation)의 기여도를 정량화하는 ODE 환경에서의 오차 한계를 유도합니다. Lorenz-63 시스템과 Kuramoto-Sivashinsky 방정식에 대한 수치 실험은 정확한 장기 예측 성능과 LSTM 기반 닫힘 모델 대비 상당한 개선을 보여줍니다. 두 번째 부류에 대해서는 1차원 기체운동학 방정식의 모멘트 닫힘을 다루며, 해석된 거시적 변수의 함수로서 기체운동학적 플럭스와 거시적 플럭스 간의 불일치를 모델링합니다. 주성분 분석(PCA) 좌표에 기반한 전역 KRR 모델과 공간적 국소(spatially local) 모델을 비교합니다. 전역 모델은 단봉형(unimodal) 초기 조건에서는 우수한 성능을 보이지만, 쌍봉형(bimodal) 초기 조건에서는 정확도가 저하됩니다. 반면 적절한 모델링 입력을 갖춘 공간적 국소 모델은 견고성(robustness)을 향상시키며 더 높은 예측 정확도를 달성합니다.