Adaptive Model Order Reduction for Large-scale Nonlinear Dynamical Systems and Its Application

2022 Fiscal Year Final Research Report

• Project/Area Number: 19K12004
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 60100:Computational science-related
• Research Institution: Kagawa University
• Principal Investigator: Tanji Yuichi 香川大学, 創造工学部, 教授 (10306988)
• Project Period (FY): 2019-04-01 – 2023-03-31
• Keywords: ハイパフォーマンスコンピューティング / シミュレーション工学 / 医用工学 / 生理学

Outline of Final Research Achievements

We proposed a CT image reconstruction using nonlinear model order reduction. Considering proper orthogonal decomposition, a method based on the Volterra series, piecewise trajectory linearized method, and Tensor operation, we confirmed that proper orthogonal decomposition is effective for image reconstruction. Proper orthogonal decomposition provides good image quality, but the accuracy decreases when projection data (input) are far from the input data where the reduced-order model is generated. To improve the accuracy, we made the variance-covariance matrix using multiple inputs of interest and generated the reduced-order model. Consequently, a high-quality reconstructed image was obtained.

Free Research Field

電子情報工学

Academic Significance and Societal Importance of the Research Achievements

非線形モデル低次元化は，電子系設計自動化，制御，数値解析の分野で研究が行われてきたが，本研究によって，保健・医療分野にも応用できることを示した。また，近年，モデル低次元化手法としては，固有直交分解よりも他の方法に注目が集まっていたが，これに反して固有直交分解でなければ低次元化できない問題があることを示したことは，モデル低次元化の研究にとって，非常に有益である。また，提案手法は医用画像再構成に対して，人工知能技術の導入が可能であることを示している。