arXiv:2609.09434v2 cs.LG

텐서 트레인 기반 약형 SINDy: 고차원 비선형 동역학 식별

Tensor-Train Weak SINDy: Identifying High-Dimensional Nonlinear Dynamics

Will Houser, Vanja Dukic, David M. Bortz

제출 2026-09-08

저자 비고

arXiv Comments

34 pages, 8 figures

한국어 초록

약형 비선형 동역학 희소 식별(WSINDy)은 수치 미분을 요구하지 않고 데이터로부터 동역학계를 학습하기 위한 노이즈에 강건한 접근법을 제공합니다. 그러나 고차원 시스템의 경우, 후보 함수의 텐서 곱 라이브러리가 상태 차원에 따라 지수적으로 증가하여 표준 WSINDy는 연산 및 메모리 측면 모두에서 비용이 많이 듭니다. 다차원 비선형 동역학 근사(MANDy)는 후보 라이브러리의 텐서 트레인(TT) 표현을 통해 이러한 스케일링 문제를 해결하지만, 희소 모델 선택 메커니즘을 제공하지는 않습니다. 본 연구에서는 이러한 접근법들을 결합하여 약형 변환, 회귀, 희소화를 모두 TT 형식으로 수행하는 TT-WSINDy를 개발합니다. 본 논문에서는 TT 정식화가 이에 상응하는 WSINDy 회귀 문제를 복원함을 보이고, 텐서 트레인 희소화 과정에 대한 다항 시간 및 메모리 복잡도 경계를 유도합니다. 수치 실험을 통해 측정 노이즈에 대한 강건성과 고차원 시스템에서의 연산량 절감 효과를 입증합니다.

원문 초록

Weak Sparse Identification of Nonlinear Dynamics (WSINDy) provides a noise-robust approach for learning dynamical systems from data without requiring numerical differentiation. However, for high-dimensional systems, tensor-product libraries of candidate functions grow exponentially with the state dimension, making standard WSINDy expensive in both computation and memory. The Multidimensional Approximation of Nonlinear Dynamics (MANDy) addresses this scaling through a tensor-train (TT) representation of the candidate library, but does not provide a mechanism for sparse model selection. Here, we combine these approaches to develop TT-WSINDy, which performs the weak-form transformation, regression, and sparsification in TT format. We show that the TT formulation recovers the corresponding WSINDy regression problem and derive polynomial time and memory complexity bounds for the tensor-train sparsification procedure. Numerical experiments demonstrate robustness to measurement noise and computational savings for high-dimensional systems.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.09434v2
  2. arXiv:2609.09434v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.12182v1cs.LG공통 태그 dynamical systems, sindy

얼마나 낮출 수 있습니까? 초저데이터 한계에서 희소 모델 발견을 위한 능동 학습

How Low Can You Go? Active Learning for Sparse Model Discovery in the Ultra-Low-Data Limit

복잡한 동적 시스템의 지배 방정식을 식별하는 것은 과학 및 공학 전반에 걸쳐 여전히 근본적인 과제입니다. 초기 접근 방식은 경험적 데이터와 휴리스틱에 의존했지만, 현대의 데이터 기반 방법은 더 큰 유연성과 더 적은 가정을 제공합니다. 그러나 실제 환경에서의 데이터 수집은 종종 비용이 많이 듭니다. 본 연구는 초저데이터 한계에서 역학(dynamics) 발견을 위한 능동 학습 전략을 도입하여 이러한 과제를 해결합니다. 무작위로 샘플링하는 대신, 우리의 방법은 모델 식별에 가장 유용한 정보를 제공하는 영역을 반복적으로 우선시합니다. 이 접근 방식은 비선형 역학의 희소 식별(SINDy)을 기반으로 하며, 상미분 방정식 및 편미분 방정식(ODEs/PDEs) 모두에 대해 인식론적 불확실성을 추정하고 샘플링을 안내하기 위해 앙상블 확장인 E-SINDy를 활용합니다. ODE의 경우, 다양한 데이터 예산과 노이즈 수준에 걸쳐 로렌츠 시스템에 대한 포괄적인 분석을 수행했습니다. PDE의 경우, 대조적인 동역학적 특성을 가진 두 시스템을 조사했습니다. 날카로운 충격 파면(shock front)이 정보가 풍부한 영역과 그렇지 않은 영역을 구분하는 버거스 방정식과, 공간적으로 더 복잡한 샘플링 지형을 제시하는 쿠라모토-시바시ński 방정식입니다. 모든 시나리오에서 제안된 방법은 무작위 샘플링보다 현저히 적은 데이터 샘플로 지배 역학을 정확하게 식별합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.