APEX: Amplitude Anchors and Phase Priors for Target-Scarce Higher-Frequency Wave Prediction

Technische Zusammenfassung: APEX

Problemstellung
Lernbasierte Surrogatmodelle, insbesondere neuronale Operatoren, haben ihre Wirksamkeit bei der Vorhersage von Wellenfeldern in beobachteten Frequenzbereichen unter Beweis gestellt. Die Vorhersage von Wellenfeldern höherer Frequenzen unter Bedingungen knapper Zielüberwachung bleibt jedoch eine erhebliche Herausforderung. In vielen physikalischen Domänen (z. B. Elektromagnetismus, Akustik) sind Daten höherer Frequenzen aufgrund der Anforderungen an feinere Diskretisierung und strengere numerische Kontrolle erheblich teurer zu simulieren oder zu messen. Folglich verfügen Praktiker oft über eine Fülle von Daten niedrigerer Frequenzen, besitzen aber nur eine begrenzte Überwachung im Zielbereich höherer Frequenzen.

Bestehende Strategien, wie die direkte Extrapolation von niedrigen zu hohen Frequenzen oder das Fine-Tuning von Modellen niedriger Frequenzen mit begrenzten Daten hoher Frequenzen, versagen häufig in stark oszillierenden Regimen. Die Arbeit identifiziert, dass die Kernschwierigkeit nicht lediglich eine einheitliche Fehlerzunahme ist, sondern eine inhärente Asymmetrie in der übertragbarkeit über Frequenzen hinweg: Während grobe Amplitudenstrukturen über Frequenzen hinweg relativ stabil bleiben, verschlechtern sich phasensensitive oszillierende Strukturen rapidly, sobald die Frequenzlücke zunimmt.

Methodik: APEX
Um diese Asymmetrie zu adressieren, schlagen die Autoren APEX (Amplitude-anchored and Phase-prior-guided Enhancement from eXtrapolated coarse predictions) vor. Das Framework zerlegt die Vorhersageaufgabe für höhere Frequenzen in zwei distinkte Stufen:

1. Grober Amplitudenanker:
   Ein neuronaler Operator (speziell ein Fourier Neural Operator, FNO) wird ausschließlich auf einer Fülle von Daten niedrigerer Frequenzen trainiert und anschließend eingefroren. Bei Abfrage mit einer Ziel-Frequenz höherer Frequenz liefert dieser Operator eine grobe Vorhersage. Das Framework extrahiert lediglich die Log-Amplitude dieser Vorhersage und behandelt sie als übertragbaren strukturellen Anker. Die Phaseninformation aus dieser Extrapolation wird verworfen, da sie im Regime höherer Frequenzen als unzuverlässig erachtet wird.

2. Green's-Funktion-inspirierter Phasenprior:
   Um die fehlenden oszillierenden Details wiederherzustellen, führt APEX einen expliziten Phasenprior ein. Dieser Prior ist ein leichtgewichtiger, analytischer Surrogat auf Basis einer geometrischen Ausbreitungsperspektive. Er approximiert die akkumulierte Phase entlang dominanter Ausbreitungswege unter Verwendung der Formel:
   $$G_{prior}(r, r_s; e, \nu) = \sum_{m=1}^{M} a_m \exp(i \kappa_{ref}(e, \nu) L_m(r, r_s))$$
   wobei $L_m$ die geometrische Pfadlänge ist, $\kappa_{ref}$ ein domänenadaptiver Referenz-Phasenkoeffizient und $M$ die Anzahl der beibehaltenen dominanten Pfade darstellt. Dies liefert einen quell- und geometrie-bewussten oszillierenden Gerüstbau, ohne das vollständige komplexe Feld reproduzieren zu wollen.

3. Bedingter Flow-Matching-Enhancer:
   Ein generatives Modell auf Basis von Conditional Flow Matching (CFM) wird eingesetzt, um das Ziel-Wellenfeld höherer Frequenzen zu rekonstruieren. Das Modell wird auf drei Komponenten konditioniert:

   • Den groben Amplitudenanker ($a_{coarse}$).
   • Den Sinus und Kosinus des Phasenpriors ($\sin \phi_{base}, \cos \phi_{base}$).
   • Fourier-Feature-Embeddings der Ziel-Frequenz.

   Der Enhancer lernt, eine Noise-Verteilung auf das Ziel-komplexe Feld (repräsentiert als Log-Amplitude und Sinus/Kosinus-Phase) abzubilden, indem er einen Flow-Matching-Verlust minimiert und so die hochfrequenten oszillierenden Details wiederherstellt, die der grobe Anker und der Phasenprior allein nicht vollständig erfassen können.

Hauptbeiträge

• Identifikation der Transfer-Asymmetrie: Die Arbeit zeigt empirisch und theoretisch, dass in komplexen Wellenfeldern die grobe Amplitudenstruktur über Frequenzen hinweg signifikant besser übertragbar ist als die phasensensitive oszillierende Struktur. Dies wird durch eine regionale Fehlerzerlegung formalisiert, die zeigt, dass Phasenfehler quadratisch mit der Frequenz skalieren ($\nu^2$), während Amplitudenfehler dies nicht tun.
• Zerlegtes Framework (APEX): Eine neuartige Architektur, die die Vorhersageaufgabe explizit trennt in die Wiederverwendung übertragbarer grober Struktur (Amplitude) und die separate Wiederherstellung fehlender oszillierender Details (Phase), geleitet durch physik-inspirierte Priors.
• Leistung unter Knappheit: Die Methode ist speziell für Szenarien mit knapper Ziel-Frequenz-Überwachung konzipiert und übertrifft direkte Extrapolation, ziel-adaptierte Operatoren und gemeinsame generative Baselines.

Experimentelle Ergebnisse
APEX wurde an drei Benchmarks evaluiert: SimpleWave (ein Zwei-Pfad-Wellensimulator), Helmholtz (heterogene Frequenzbereichs-Wellengleichung) und Maxwell (Vollwellen-Elektromagnetische Simulationen). Die Evaluierung konzentrierte sich auf die Extrapolation zu Frequenzen, die 20 %, 50 % und 100 % höher waren als die maximale Trainingsfrequenz.

• Quantitative Leistung: Über alle Benchmarks hinweg erzielte APEX konsistent den niedrigsten relativen komplexen $H^1$-Fehler und die höchste Amplitude-gewichtete Phasenkohärenz (AWPC). Beispielsweise erreichte APEX beim Helmholtz-Benchmark bei HF100 (100 % Extrapolation) einen $H^1$-Fehler von 0,634 und eine AWPC von 0,815 und übertraf damit die beste Baseline (FNO-Joint: $H^1$ 0,899, AWPC 0,737) signifikant.
• Qualitative Analyse: Visuelle Vergleiche zeigen, dass während die direkte Extrapolation einige grobe Amplituden bewahrt, aber bei der Phasenausrichtung versagt, und gemeinsame generative Modelle plausible, aber fehlgeleitete Strukturen produzieren, APEX erfolgreich sowohl die Amplitudenlokalisierung als auch die kohärenten Phasenmuster des Ground Truth wiederherstellt.
• Ablationsstudien: Das Entfernen entweder des Phasenpriors oder des groben Ankerns führte zu einer signifikanten Leistungsverschlechterung, was bestätigt, dass beide Komponenten notwendig und komplementär sind. Der grobe Anker liefert die globale Organisation, während der Phasenprior die feine oszillierende Wiederherstellung leitet.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass eine zuverlässige Vorhersage von Wellenfeldern höherer Frequenzen nicht auf der direkten End-to-End-Übertragung des gesamten komplexen Feldes beruhen sollte. Stattdessen wird für eine Strategie argumentiert, die die explizite Wiederverwendung übertragbarer grober Struktur (Amplitude) mit der separaten Wiederherstellung fehlender oszillierender Details unter Verwendung physikgeleiteter Priors kombiniert.

Die Autoren positionieren APEX als Lösung für das Problem der „knappen Überwachung" in der Modellierung von Wellen hoher Frequenzen und bieten einen Weg, eine Fülle von Daten niedriger Frequenzen zu nutzen, ohne umfangreiche Datensätze hoher Frequenzen für das Training zu benötigen. Die Arbeit legt nahe, dass das Verständnis der spezifischen Komponenten eines Feldes, die unter Frequenzverschiebungen degradieren, entscheidend für die Entwicklung generalisierbarer Surrogatmodelle ist.

Einschränkungen
Die Autoren räumen ein, dass die Inferenzkosten von APEX aufgrund des für den Flow-Matching-Enhancer erforderlichen iterativen Samplings höher sind als ein einzelner Vorwärtsdurchlauf eines neuronalen Operators. Zudem ist der Phasenprior eine vereinfachte Approximation, die komplexe Mehrwegeeffekte oder starke Dispersion nicht vollständig modelliert, obwohl er als effektives leichtgewichtiges Gerüst dient. Die aktuelle Implementierung verwendet FNO als Backbone, obwohl das Konzept des Amplitudenankers theoretisch backbone-agnostisch ist.