Resumen Técnico: Modelos de Orden Reducido Interpretables y Flexibles mediante Espacios de Hilbert con Núcleo Reproductor

Planteamiento del Problema

Las simulaciones numéricas a gran escala, a menudo denominadas Modelos de Orden Completo (FOM, por sus siglas en inglés), son esenciales para el diseño de ingeniería, pero frecuentemente resultan computacionalmente prohibitivas para tareas de múltiples consultas, como la cuantificación de la incertidumbre y la optimización del diseño. Las técnicas de reducción de modelos buscan construir Modelos de Orden Reducido (ROM) de baja dimensión que aproximen la dinámica de los FOM de manera eficiente.

Los métodos de reducción de modelos basados en proyección clásica (por ejemplo, la Descomposición de Órdenes Propios, POD) son rigurosos y suelen contar con límites de error, pero requieren acceso "intrusivo" al código del FOM para proyectar las ecuaciones gobernantes, lo cual es a menudo imposible con software comercial o heredado (legacy). Las alternativas no intrusivas, como la Inferencia de Operadores (OpInf) y los enfoques basados en redes neuronales (NN), aprenden la dinámica a partir de datos de instantáneas (snapshots) sin acceder al código del FOM. Sin embargo, estos métodos enfrentan compensaciones (trade-offs):

• OpInf produce ROMs interpretables y estructurados (por ejemplo, polinómicos), pero depende de la regresión de mínimos cuadrados para espacios de funciones específicos y carece de límites de error a posteriori computables y rigurosos.
• Los enfoques de Redes Neuronales (NN) ofrecen flexibilidad, pero a menudo resultan en modelos de "caja negra" que carecen de interpretabilidad y estructura física.
• La Identificación de Dinámica en el Espacio Latente (LaSDI) intenta un enfoque híbrido, pero tiene dificultades para preservar la estructura intrínseca del FOM al utilizar autoencoders.

Existe la necesidad de un marco no intrusivo que sea interpretable (que refleje la estructura del FOM), flexible (que maneje estructuras desconocidas o parciales) y capaz de proporcionar límites de error computables.

Metodología

Los autores proponen los "Kernel ROMs", un marco no intrusivo que utiliza la interpolación de núcleos regularizada dentro de un Espacio de Hilbert con Núcleo Reproductor (RKHS) para aprender la dinámica de orden reducido.

1. Reducción de Dimensión y Preparación de Datos

El método comienza proyectando los datos de las instantáneas del FOM sobre un espacio latente de baja dimensión utilizando ya sea:

• Subespacios Lineales: Mediante la Descomposición de Órdenes Propios (POD).
• Variedades Cuadráticas (QM): Utilizando un enfoque de búsqueda codiciosa (greedy-optimal) para capturar la curvatura en los datos, definida por un mapa de descomposición $g(\tilde{q}) = \bar{q} + V\tilde{q} + W[\tilde{q} \otimes \tilde{q}]$.

El estado reducido $\hat{q}(t)$ y su derivada temporal $\dot{\hat{q}}(t)$ (aproximada mediante diferencias finitas o derivadas proyectadas del FOM) sirven como pares de datos de entrenamiento $(\hat{q}, \dot{\hat{q}})$.

2. Interpolación de Núcleos para el Aprendizaje de la Dinámica

En lugar de resolver una regresión de mínimos cuadrados para coeficientes polinómicos (como en OpInf), el método busca una función $\hat{f}$ en un RKHS definido por el usuario $\mathcal{H}_K$ que minimice el residuo entre las derivadas temporales predichas y observadas, regularizado por la norma del RKHS:
$$\hat{f} = \arg \min_{s \in \mathcal{H}_K} \sum \|\dot{\hat{q}} - s(\hat{q})\|_2^2 + \gamma \|s\|_{\mathcal{H}_K}^2$$
Por el Teorema del Representante, la solución toma la forma $\hat{f}(\hat{q}) = \Omega^T K(\hat{Q}, \hat{q})$, donde $\Omega$ es una matriz de coeficientes derivada de los datos de entrenamiento y la matriz de núcleo.

3. Diseño de Núcleos para Estructura y Flexibilidad

La innovación central reside en la selección del núcleo $K$ para controlar la estructura del ROM:

• Núcleos de Mapa de Características (Interpretables): Si la estructura del FOM es conocida (por ejemplo, lineal-cuadrática), se elige un mapa de características $\phi$ para inducir un núcleo $K(x, x') = \phi(x)^T G \phi(x')$. Esto fuerza al ROM aprendido a compartir la estructura algebraica exacta del ROM intrusivo basado en proyección (por ejemplo, preservando términos polinómicos), asegurando la interpretabilidad sin necesidad de los operadores del FOM.
• Núcleos de Función de Base Radial (RBF) (Flexibles): Si la estructura es desconocida, se utilizan núcleos RBF de propósito general para modelar no linealidades arbitrarias.
• Enfoque Híbrido: La suma de un núcleo de mapa de características y un núcleo RBF permite al modelo capturar las estructuras dominantes conocidas mientras utiliza el término RBF como un "cierre" (closure) para las no linealidades desconocidas o complejas. Esto equilibra la eficiencia computacional (los mapas de características son independientes del tamaño del conjunto de entrenamiento) con la flexibilidad.

4. Análisis de Error

El artículo deriva un límite de error a posteriori computable (Teorema 5.1) que combina las estimaciones de error estándar de los ROM intrusivos con los límites de error de interpolación de núcleos (específicamente el límite de la función de potencia). Este límite relaciona la solución del FOM, la solución del ROM intrusivo y la solución del Kernel ROM, proporcionando una garantía teórica sobre la calidad de la aproximación.

Contribuciones Clave

1. ROMs No Intrusivos e Interpretables: El marco construye ROMs que reflejan explícitamente la estructura de los modelos basados en proyección intrusivos (por ejemplo, lineales, cuadráticos, cuárticos) utilizando núcleos de mapas de características, superando la naturaleza de "caja negra" de las redes neuronales y las limitaciones estructurales de la OpInf estándar.
2. Flexibilidad mediante Núcleos Híbridos: El método introduce una estrategia de núcleo híbrido que combina los conocimientos estructurales previos (mapas de características) con aproximadores no lineales genéricos (RBFs), incorporando efectivamente términos de cierre para la dinámica desconocida.
3. Límites de Error Computables: Los autores derivan un límite de error a posteriori riguroso para los Kernel ROMs no intrusivos, una característica notablemente ausente en la literatura no intrusiva existente. Este límite también genera una nueva estimación de error para los ROM de Variedad Cuadrática intrusivos.
4. Marco Unificado: El enfoque unifica la reducción de dimensión lineal (POD) y no lineal (QM) bajo un único paradigma de interpolación de núcleos.

Resultados Numéricos

El método fue validado mediante tres experimentos numéricos:

1. Ecuación de Advección-Difusión 1D (Lineal):

   • Los Kernel ROMs (tanto el de Mapa de Características como el Híbrido) igualaron el rendimiento de los ROM basados en proyección intrusiva y de OpInf.
   • Los límites de error computados lograron acotar el error real sin una sobreestimación significativa.
   • El análisis mostró que el término de "cierre" (RBF) en los modelos híbridos podía ser insignificante cuando el mapa de características era óptimo, pero significativo cuando el modelo de la forma era erróneo.

2. Ecuación de Burgers Viscosa 1D (No Lineal):

   • Para problemas dominados por la advección con gradientes pronunciados, los Kernel ROMs mostraron un rendimiento comparable al de OpInf y los errores de proyección.
   • Los ROM de Variedad Cuadrática (QM) mostraron rendimientos decrecientes respecto a POD en este entorno no intrusivo específico, probablemente debido a la dificultad de estabilizar los ROM de QM sin acceso intrusivo.
   • Los límites de error nuevamente se mantuvieron, sugiriendo que las grandes contribuciones de error desde el término del núcleo ($\alpha_K$) podrían indicar una elección suboptimal del mapa de características.

3. Problema de Euler–Riemann 2D (Leyes de Conservación Hiperbólicas):

   • Este problema desafiante involucró discontinuidades y una caída lenta de los valores singulares.
   • Los Kernel ROMs (Mapa de Características, RBF y Híbrido) lograron errores dentro de unos pocos puntos porcentuales del error de proyección.
   • Los ROM de QM requirieron parámetros de regularización muy grandes para permanecer estables, y su rendimiento no superó significativamente al de POD, resaltando los desafíos de aplicar QM a flujos altamente discontinuos en un entorno no intrusivo.

Significancia y Reivindicaciones

El artículo afirma que los Kernel ROMs ofrecen un marco novedoso y enteramente basado en datos que logra cerrar la brecha entre la interpretabilidad de los métodos basados en proyección y la flexibilidad del aprendizaje basado en datos. Al aprovechar las propiedades matemáticas de los RKHS, el enfoque:

• Preserva la Física: Permite a los usuarios inyectar estructuras físicas conocidas (por ejemplo, leyes de conservación, formas polinómicas) directamente en el ROM mediante mapas de características.
• Cuantifica la Incertidumbre: Proporciona un mecanismo teórico para la estimación de errores, lo cual es crítico para la certificación en aplicaciones de ingeniería.
• Se Adapta a la Complejidad: El enfoque híbrido ofrece una solución práctica para problemas donde la dinámica gobernante se comprende solo parcialmente, utilizando el componente RBF para modelar la física no resuelta.

Los autores concluyen que, si bien la implementación actual requiere el ajuste de hiperparámetros (como el parámetro de forma $\epsilon$ y la regularización $\gamma$), el marco proporciona una base robusta para desarrollos futuros, incluyendo FOMs parametrizados y estrategias de muestreo codicioso para reducir los costos de entrenamiento.