DOI: https://doi.org/10.1137/25m1741765
تاريخ النشر: 2026-04-08
المؤلف: Qiuqi Li وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم البحث إطار عمل تحليل الوضع الديناميكي المحلي (LDMD) الذي يهدف إلى تحسين دقة التنبؤ على المدى الطويل للأنظمة الديناميكية مقارنةً بتحليل الوضع الديناميكي القياسي (DMD). يدمج نهج LDMD نقاط القوة في التنبؤ الخطي لـ DMD مع تقسيم المجال الزمني، حيث يقسم المجال الزمني إلى فترات فرعية للتنبؤات المحلية. يقدم الدراسة كل من طريقة تقسيم محددة مسبقًا واستراتيجية تقسيم تكيفية، حيث تعزز الأخيرة الكفاءة الحسابية والموثوقية دون الحاجة إلى معرفة مسبقة بالنظام. يتم إجراء تحليل للخطأ لتحديد الحدود العليا للأخطاء المحلية والعالمية، مما يظهر فعالية LDMD عبر أربعة مشاكل مرجعية: معادلات بورجر، ومعادلات ألين-كان، ومعادلات شرودنجر غير الخطية، ومعادلات ماكسويل.
في الختام، يستفيد إطار عمل LDMD من الخطية المحلية من خلال تقسيم زمني، مما يحسن بشكل كبير من الدقة العددية والكفاءة الحسابية مقارنةً بـ DMD التقليدي ومتغيراته المعتمدة على الزمن. تقلل الاستراتيجية المحلية من أبعاد المصفوفة لتحليل القيم الفردية (SVD)، مما يؤدي إلى تقليل التكاليف الحسابية. تهدف الأبحاث المستقبلية إلى تحسين مقدر الخطأ لتطبيق أوسع وتقديم مقارنة نظرية صارمة مع DMD القياسي، مما يؤكد تفوق LDMD. بالإضافة إلى ذلك، يتم اقتراح دمج LDMD مع ResDMD لتعزيز قدرات التنبؤ في الأنظمة الفوضوية، مما يضع LDMD كنموذج بديل عالي الدقة للأنظمة الديناميكية المعتمدة على المعلمات.
مقدمة
تناقش مقدمة ورقة البحث التحديات التي تطرحها النماذج الكاملة عالية الأبعاد (FOMs) في الهندسة والعلوم التطبيقية، مما يؤدي إلى اعتماد تقنيات النمذجة منخفضة الأبعاد (ROM). تصنف هذه التقنيات إلى طرق تعتمد على المعادلات (تطفلية) وطرق تعتمد على البيانات (غير طفيلية)، حيث تشمل الطرق التقليدية المعتمدة على البيانات تحليل الوضع المناسب – استيفاء دالة الأساس الشعاعي (POD-RBF) وتعلم الآلة. من التقدم الملحوظ في هذا المجال هو تحليل الوضع الديناميكي (DMD)، الذي يستخدم نظرية مشغل كوبمان لتوفير تقريب خطي للديناميات غير الخطية، مما يمكّن من التنبؤات الفعالة والتحكم في الأنظمة المعقدة.
تسلط الورقة الضوء على قيود DMD القياسي، خاصة في التنبؤات طويلة الأمد بسبب اعتماده على الديناميات قصيرة الأمد. لمعالجة هذه القضايا، يقترح المؤلفون طريقة DMD المحلية (LDMD) التي تقوم بإجراء تقريب خطي محلي في المجال الزمني. تقوم هذه الطريقة بتفكيك المجال الزمني إلى مقاطع أقصر، وتطبيق DMD بشكل متسلسل مع دمج استراتيجية تقسيم تكيفية لتحسين دقة التنبؤ. توضح المقدمة هيكل الورقة، موضحة الأقسام التالية التي تستعرض DMD، وتقدم منهجية LDMD، وتحلل أخطاء الاقتطاع، وتتحقق من النهج المقترح مقارنةً بـ DMD القياسي ومتغيراته، مما يظهر في النهاية تحسين الدقة والموثوقية في التنبؤات للأنظمة الديناميكية غير الخطية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج أربعة تجارب عددية أجريت على أنظمة معقدة، مما يظهر فعالية طريقة تحليل الوضع الديناميكي المحلي (LDMD) الخاصة بهم. تكشف التجارب أن LDMD يتفوق على تحليل الوضع الديناميكي التقليدي (DMD)، وتحليل الوضع المناسب مع دوال الأساس الشعاعي (POD-RBF)، ومتغيرات DMD المعتمدة على الزمن مثل mrDMD وHODMD، تحت وظائف قابلة للرصد ثابتة، واقتطاع تحليل القيم الفردية (SVD)، ومعدلات التنبؤ.
بالنسبة للحالات الثلاث الأولى، يستخدم المؤلفون خريطة الهوية، $g(u) = u$، لتسهيل اختيار القابلات للرصد، والتي تتطلب عادةً خبرة في المجال. يتم تقييم أداء الخوارزمية من خلال مراقبة ما إذا كان المتبقي يتجاوز عتبة محددة مسبقًا في كل خطوة m. يتم تعريف الخطأ النسبي L2 (RE) في خطوة زمنية معينة $t_k$ على أنه $RE = \frac{||\hat{u}_k – u_{\text{ref}, k}||_2}{||u_{\text{ref}, k}||_2}$، حيث تمثل $\hat{u}_k$ الحل المعاد بناؤه أو المتوقع و$u_{\text{ref}, k}$ هو الحل المرجعي. يتم حساب متوسط الخطأ النسبي L2 (MRE) على أنه $MRE = \frac{1}{N_t} \sum_{k=1}^{N_t} RE$، حيث يشير $N_t$ إلى العدد الإجمالي لخطوات الزمن.
المناقشة
تتناول قسم المناقشة في الورقة مشغل كوبمان وتحليل الوضع الخاص به، مما يسمح بتمثيل الأنظمة الديناميكية غير الخطية كنظم خطية في فضاء دالة الملاحظة. يسهل مشغل كوبمان، المحدد للأنظمة الديناميكية ذات الزمن المنفصل، التحليل الطيفي للدوال القابلة للرصد إلى دوال ذات قيم ذاتية. يتم تقديم خوارزمية تحليل الوضع الديناميكي (DMD) كطريقة تعتمد على البيانات تقرب القيم الذاتية لمشغل كوبمان والمتجهات الذاتية من البيانات الملاحظة. تعتبر طريقة DMD فعالة حسابيًا ولكن يمكن أن تواجه صعوبة مع الأنظمة التي تظهر غير خطيات قوية. لمعالجة هذه القيود، يقترح المؤلفون طريقة DMD المحلية (LDMD) التي تقسم المجال الزمني إلى مراحل، مما يسمح بتنبؤات أكثر دقة من خلال التقاط الديناميات داخل كل مقطع.
يتم تحسين طريقة LDMD بشكل أكبر من خلال استراتيجيات تقسيم محددة مسبقًا وتكيفية، مما يعزز دقة التنبؤ من خلال التحكم في الخطأ المرتبط بديناميات النظام. تعتمد استراتيجية التقسيم التكيفية على تقييم الخطأ المستند إلى المتبقي، مما يسمح بإجراء تعديلات في عملية التنبؤ بناءً على الانحرافات الملاحظة عن النتائج المتوقعة. تقدم الورقة تحليلًا نظريًا للخطأ يوضح أن طريقة LDMD توفر حدودًا محددة جيدًا على الأخطاء المحلية والعالمية، مما يضمن تنبؤات موثوقة. يتم التحقق من فعالية نهج LDMD من خلال محاكاة معادلة بورجر، حيث يتفوق على DMD القياسي وطرق أخرى من حيث الدقة والكفاءة الحسابية، خاصة عند إدارة الأنظمة الديناميكية المعقدة ذات الخصائص الفيزيائية المتنوعة.
DOI: https://doi.org/10.1137/25m1741765
Publication Date: 2026-04-08
Author(s): Qiuqi Li et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The research introduces a localized dynamic mode decomposition (LDMD) framework aimed at improving the long-term predictive accuracy of dynamical systems compared to the standard dynamic mode decomposition (DMD). The LDMD approach integrates DMD’s linear forecasting strengths with time-domain segmentation, dividing the temporal domain into subintervals for localized predictions. The study presents both a predefined segmentation method and an adaptive segmentation strategy, the latter of which enhances computational efficiency and robustness without requiring prior system knowledge. An error analysis is conducted to establish upper bounds for local and global truncation errors, demonstrating LDMD’s effectiveness across four benchmark problems: Burgers’, Allen-Cahn, nonlinear Schrödinger, and Maxwell’s equations.
In conclusion, the LDMD framework leverages localized linearity through temporal segmentation, significantly improving numerical accuracy and computational efficiency over traditional DMD and its time-dependent variants. The localized strategy reduces the matrix dimensions for singular value decomposition (SVD), leading to lower computational costs. Future research aims to refine the error estimator for broader applicability and to provide a rigorous theoretical comparison with standard DMD, confirming LDMD’s superiority. Additionally, the potential integration of LDMD with ResDMD is proposed to enhance predictive capabilities in chaotic systems, positioning LDMD as a high-accuracy surrogate model for parametric dynamical systems.
Introduction
The introduction of the research paper discusses the challenges posed by high-dimensional full-order models (FOMs) in engineering and applied sciences, leading to the adoption of reduced-order modeling (ROM) techniques. These techniques are classified into equation-based (intrusive) and data-driven (non-intrusive) methods, with traditional data-driven approaches including proper orthogonal decomposition – radial basis function interpolation (POD-RBF) and machine learning. A notable advancement in this field is the dynamic mode decomposition (DMD), which utilizes the Koopman operator theory to provide a linear approximation of nonlinear dynamics, enabling effective predictions and control of complex systems.
The paper highlights the limitations of standard DMD, particularly in long-term predictions due to its reliance on short-term dynamics. To address these issues, the authors propose a localized DMD (LDMD) method that performs local linear approximations in the time domain. This method decomposes the temporal domain into shorter segments, applying DMD sequentially while incorporating an adaptive segmentation strategy to optimize prediction accuracy. The introduction outlines the structure of the paper, detailing subsequent sections that review DMD, present the LDMD methodology, analyze truncation errors, and validate the proposed approach against standard DMD and its variants, ultimately demonstrating improved accuracy and robustness in predictions for nonlinear dynamical systems.
Results
In this section, the authors present the results of four numerical experiments conducted on complex systems, demonstrating the efficacy of their Local Dynamic Mode Decomposition (LDMD) method. The experiments reveal that LDMD outperforms traditional Dynamic Mode Decomposition (DMD), Proper Orthogonal Decomposition with Radial Basis Functions (POD-RBF), and time-dependent DMD variants such as mrDMD and HODMD, under consistent observable functions, Singular Value Decomposition (SVD) truncation, and prediction rates.
For the initial three cases, the authors utilize the identity mapping, $g(u) = u$, to facilitate the selection of observables, which typically requires domain expertise. The performance of the algorithm is assessed by monitoring whether the residual surpasses a predetermined threshold at every m-th step. The L2 relative error (RE) at a given time step $t_k$ is defined as $RE = \frac{||\hat{u}_k – u_{\text{ref}, k}||_2}{||u_{\text{ref}, k}||_2}$, where $\hat{u}_k$ represents the reconstructed or predicted solution and $u_{\text{ref}, k}$ is the reference solution. The mean L2 relative error (MRE) is calculated as $MRE = \frac{1}{N_t} \sum_{k=1}^{N_t} RE$, where $N_t$ denotes the total number of time steps.
Discussion
The discussion section of the paper elaborates on the Koopman operator and its mode decomposition, which allows for the representation of nonlinear dynamical systems as linear systems in an observation function space. The Koopman operator, defined for discrete-time dynamical systems, facilitates the spectral decomposition of observable functions into eigenfunctions. The Dynamic Mode Decomposition (DMD) algorithm is introduced as a data-driven method that approximates the Koopman eigenvalues and eigenvectors from observational data. The DMD approach is computationally efficient but can struggle with systems exhibiting strong nonlinearities. To address this limitation, the authors propose a Localized DMD (LDMD) method that segments the time domain into stages, allowing for more accurate predictions by capturing the dynamics within each segment.
The LDMD method is further refined through predefined and adaptive segmentation strategies, which enhance predictive accuracy by controlling the error associated with the system’s dynamics. The adaptive segmentation relies on residual-based error evaluation, allowing for adjustments in the prediction process based on the observed deviations from expected outcomes. The paper presents a theoretical error analysis demonstrating that the LDMD method provides well-defined bounds on local and global truncation errors, thereby ensuring reliable predictions. The effectiveness of the LDMD approach is validated through simulations of the Burgers’ equation, where it outperforms standard DMD and other methods in terms of accuracy and computational efficiency, particularly when managing complex dynamical systems with varying physical properties.