Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems

Technisches Resümee: Sequenzielle struktur-sensitive Residuen-Diagnostik für PDE-Inverse Probleme

Problemstellung
In den Computerwissenschaften und dem Ingenieurwesen beinhalten inverse Probleme die Ableitung von Modellparametern aus Beobachtungen. Ein kritischer, oft übersehener Schritt besteht darin, zu beurteilen, ob ein angepasstes Modell für Vorhersagen geeignet ist. Die Standardpraxis stützt sich auf Residuen-Norm-Diagnostika, wie das Morozovsche Diskrepanzprinzip oder feste $\chi^2$-Tests, welche prüfen, ob die Größenordnung der Residuen mit dem angenommenen Rauschpegel konsistent ist.

Das Paper argumentiert, dass solche auf der Größenordnung basierenden Diagnostiken bei glättenden PDE-Inversen Problemen irreführend sind. In solchen Problemen können strukturierte Modellfehler (Misspezifikation) durch den Vorwärtsoperator im Beobachtungsraum abgeschwächt werden. Folglich kann die Residuen-Norm unter praktischen Diskrepanzschwellenwerten bleiben, selbst wenn kohärente, systematische Residuenmuster bestehen bleiben. Dies führt zur Annahme angepasster Modelle, die verzerrte Parameter und materiell falsche Größen von Interesse (Quantities of Interest, QoIs) liefern, obwohl sie als „konsistent“ mit dem Rauschen erscheinen.

Methodik
Die Autoren schlagen eine struktur-sensitive sequenzielle Diagnostik vor, die auf e-Prozessen aus der spieltheoretischen Statistik basiert. Die Methode operiert als Post-Fit-Diagnostik auf einem festen Parameterschätzer $\hat{\theta}$.

1. Experten-Portfolio: Die Methode verwendet eine „Bank“ von Experten, wobei jeder Experte einen spezifischen räumlichen Residuenmuster testet. Diese Muster werden aus einem Wörterbuch glatter, niederfrequenter Basisfunktionen (Fourier-Moden und Polynome) gezogen, die relevant für die Geometrie der PDE sind.
2. E-Prozess-Konstruktion: Jeder Experte fungiert als Likelihood-Verhältnis-Wette gegen die Nullhypothese, dass die Residuen reines Rauschen ($N(0, \sigma^2)$) sind. Die Experten werden zu einem universellen Portfolio (einer Mischung von Likelihood-Verhältnissen) kombiniert.
3. Sequenzielle Überwachung: Während Beobachtungen eintreffen, wird das „Vermögen“ (Wealth) des Portfolios (das aggregierte Likelihood-Verhältnis) aktualisiert. Die Diagnostik lehnt das angepasste Modell ab, wenn das aggregierte Vermögen einen vorgegebenen Schwellenwert ($1/\alpha$) überschreitet.
4. Anytime-Valid Control: Durch die Eigenschaften von e-Prozessen und die Ville-Ungleichung garantiert die Methode eine anytime-valide Typ-I-Fehler-Kontrolle. Das bedeutet, dass der Analyst das Diagnostikum wiederholt inspizieren, die Datenerhebung vorzeitig stoppen oder basierend auf vorläufigen Erkenntnissen fortsetzen kann, ohne die Rate der falsch-positiven Ergebnisse zu erhöhen.
5. Attribution: Nach einer Ablehnung ordnet die Verteilung des Vermögens über das Experten-Portfolio die Evidenz spezifischen räumlichen Residuenmustern zu und bietet somit interpretierbare Anleitung für Modellkorrekturen.

Wesentliche Beiträge
Das Paper leistet drei primäre Beiträge:

1. Formulierung: Es formuliert einen Portfolio-e-Prozess zur Detektion von Residuenmustern, der anytime-valide Frühwarnungen für ein festes angepasstes Modell liefert.
2. Attribution: Es zeigt auf, wie Portfolio-Gewichtungen eine interpretierbare Attribution zu räumlichen Residuenmustern ermöglichen und somit parsimonische Folgekorrekturen nahelegen.
3. Empirische Demonstration: Es zeigt über drei verschiedene PDE-inverse Probleme hinweg, dass Standard-Diskrepanzprüfungen misspezifizierte Modelle mit kleinen, aber strukturierten Residuen akzeptieren können, was zu verzerrten QoIs führt, während die vorgeschlagene Methode diese Fehler früher und mit Struktur-Sensitivität detektiert.

Experimentelle Ergebnisse
Die Methode wurde auf drei inverse Probleme evaluiert:

• 1D-Poisson-Diffusivität: Ein kontrolliertes synthetisches Problem, bei dem Misspezifikationstypen (stückweise, Gaußsche Glocke, Drei-Stufen-Modell, linear) variiert wurden.
  • Ergebnis: Im „linearen“ Fall war der Modellfehler unter dem Rauschen ($\|\mu^*\| < \sigma$). Der Morozov-Check und feste $\chi^2$-Tests konnten den Fehler nicht detektieren (oder benötigten den vollen Datensatz), während der e-Prozess ihn sequenziell unter Verwendung von nur 9 % der Daten detektierte. Entscheidend war, dass das akzeptierte Modell QoI-Fehler von bis zu 15,3 % (Punktvorhersage) und 7,8 % (regionaler Durchschnitt) erzeugte.
• 2D-Stokes-Strömung (Basaler Drag): Ein ill-posed Boundary-Inferenzproblem, bei dem Basiseffekte zur Oberfläche hin geglättet werden.
  • Ergebnis: Ein misspezifiziertes Modell ($K=3$ statt $K=4$) erzeugte Oberflächenresiduen, die konsistent mit Rauschen waren (RMS/$\sigma \approx 1,35$). Morozov akzeptierte den Fit, aber der e-Prozess detektierte die strukturelle Unzulänglichkeit nach nur 10 % der Beobachtungen. Der abgeleitete basale Drag war qualitativ falsch und verschob den Ort des minimalen Drags, was kritisch für die Stabilität der Grundlinie ist.
• Icepack (Glaziologischer Eisstrom): Ein Community-Finite-Elemente-Modell, das die Shallow Shelf Approximation (SSA) verwendet.
  • Ergebnis: Ähnlich wie bei Stokes detektierte der e-Prozess die strukturelle Misspezifikation ($K=3$ statt $K=4$), während Morozov den Fit akzeptierte. Das akzeptierte Modell führte zu einem Fehler von 36 % in der vorhergesagten Terminus-Eisflussrate.
• Modellreparatur: In den Poisson-Experimenten identifizierte die Vermögensverteilung erfolgreich die dominanten Residuenmoden. Die Nutzung dieser Top-Moden zur Anpassung einer Diskrepanzkorrektur reduzierte die QoI-Fehler von ca. 15 % auf ca. 3–4 %, was der Leistung einer blinden Regression auf die vollständige Basis entsprach.

Bedeutung und Ansprüche
Das Paper behauptet, dass der e-Prozess einen praktischen Workflow zur Detektion von Residuenstrukturen während der Datenerfassung bietet, eine Fähigkeit, die Standard-Batch- oder Magnituden-basierte Tests vermissen lassen. Seine Bedeutung liegt in:

• Früherkennung: Er identifiziert Misspezifikationen aus einem Bruchteil der Beobachtungen, oft bevor die Größenordnung der Residuen groß genug ist, um Standardprüfungen auszulösen.
• Interpretierbarkeit: Im Gegensatz zur Black-Box-Ablehnung identifiziert die Vermögensverteilung, welche räumlichen Muster die mangelnde Passgenauigkeit antreiben, und leitet so die explorative Modellkorrektur an.
• Robustheit: Die Methode ist recheneffizient (Post-Processing-Schritt, $O(K)$ pro Beobachtung) und erfordert keine Modifikation des Vorwärtslösers oder ein Retraining.
• Validität: Sie bietet eine rigorose Typ-I-Fehler-Kontrolle unter optionalem Stoppen, was sie für Settings geeignet macht, in denen Diagnostika wiederholt inspiziert werden oder die Datenerhebung adaptiv erfolgt.

Die Autoren merken Einschränkungen an: Die Methode setzt ein festes $\hat{\theta}$ (bedingte Validität) und ein bekanntes Rauschniveau $\sigma$ voraus. Während sie robust gegenüber einer Überschätzung des Rauschens ist, bricht eine Unterschätzung die Validitätsgarantie. Das Framework ist für Post-Fit-Diagnostiken auf Punktschätzern konzipiert, nicht für ein voll-onlines Regraining von Parametern, was zusätzliche Sicherungen wie universelle Inferenz erfordern würde.