Numerical exploration of the range of shape functionals using neural networks

Resumen Técnico: Exploración Numérica del Rango de Funcionales de Forma Mediante Redes Neuronales

Enunciado del Problema
El artículo aborda la exploración numérica de los diagramas de Blaschke–Santaló, que son representaciones geométricas del rango de funcionales de forma vectoriales. Estos diagramas caracterizan las posibles desigualdades que relacionan funcionales de forma prescritos (por ejemplo, volumen, perímetro, autovalores) dentro de una clase específica de conjuntos, típicamente cuerpos convexos. Aunque existen resultados teóricos para funcionales puramente geométricos, obtener descripciones explícitas o propiedades cualitativas para diagramas que involucran cantidades espectrales o relacionadas con EDP sigue siendo altamente desafiante. Los enfoques numéricos anteriores, como el muestreo aleatorio de polígonos convexos o métodos que dependen de teselaciones de Voronoi, adolecen de un muestreo no uniforme, incapacidad para capturar extremos de frontera o dependencia de conocimientos previos sobre la convexidad del diagrama (por ejemplo, convexidad vertical) que es difícil de establecer para casos generales.

Metodología
Los autores proponen un marco numérico novedoso que combina una arquitectura específica de red neuronal para la parametrización de formas con un sistema de partículas interactuantes para el muestreo uniforme.

1. Parametrización mediante Red Neuronal Invertible:

   • Arquitectura Sublineal: El método parametriza cuerpos convexos en $\mathbb{R}^d$ como la imagen de la bola unidad $B$ bajo un homeomorfismo $\phi_\theta$. Este mapa se construye utilizando una función de gauge $p_\theta$, que está representada por una red neuronal.
   • Conservación de la Convexidad: Para asegurar que los conjuntos resultantes sean intrínsecamente convexos, la arquitectura de la red está diseñada para satisfacer restricciones de sublinealidad. Específicamente, la función de gauge se define como $p_\theta(x) = \beta \|x\| \text{LSE}(W^T x / \|x\|)$, donde LSE es la función LogSumExp. Esta aproximación suave del máximo de formas lineales asegura que $p_\theta$ sea continua, sublineal y $C^\infty$ lejos del origen.
   • Aproximación Universal: Los autores se basan en un "Teorema de Aproximación Universal" (demostrado en trabajos previos [44]) que establece que el conjunto de cuerpos convexos representables por esta arquitectura es denso en el espacio de todos los cuerpos convexos con respecto a la distancia de Hausdorff.
   • Codificación de Simetría: El marco permite la imposición de simetrías (por ejemplo, simetría de reflexión) promediando la función de gauge sobre un grupo finito de isometrías, asegurando que la forma resultante sea invariante bajo dicho grupo.

2. Muestreo Uniforme mediante Partículas Interactuantes:

   • Para generar una distribución uniforme de puntos dentro del diagrama de Blaschke–Santaló, los autores minimizan un funcional de energía de Riesz. Esto se formula como un problema de optimización donde $N$ formas $\Omega_1, \dots, \Omega_N$ se optimizan para maximizar sus distancias pares en el espacio funcional:
     $$\min_{\theta_1, \dots, \theta_N} \sum_{1 \le i \neq j \le N} |F(\Omega_{\theta_i}) - F(\Omega_{\theta_j})|^{-s}$$
   • Este enfoque se motiva por el "Teorema de la Bagel con Semillas de Amapola", que garantiza que minimizar dicha energía conduce a una distribución uniforme en la variedad a medida que $N$ aumenta.
   • La optimización se realiza utilizando diferenciación automática en PyTorch (vía l-BFGS), permitiendo que los gradientes fluyan a través de todo el grafo computacional, incluyendo la resolución de EDP y evaluaciones de integrales.

3. Cálculo de Funcionales de Forma:

   • Cantidades Integrales: El volumen, el perímetro y el momento de inercia se calculan tirando hacia atrás las integrales desde el dominio de la forma $\Omega_\theta$ hacia la bola unidad de referencia $B$ utilizando fórmulas de cambio de variable que involucran el jacobiano del mapa neuronal.
   • Cantidades Relacionadas con EDP:
     • Rigidez Torsional: Se resuelve utilizando un enfoque de Método de Soluciones Fundamentales (MFS), donde la solución se aproxima mediante una combinación lineal de soluciones fundamentales. La condición de frontera se ajusta mediante mínimos cuadrados, un proceso totalmente diferenciable en PyTorch.
     • Autovalores de Neumann: Se calculan utilizando un método Galerkin sin malla basado en Funciones de Base Radial (RBF). La formulación débil se tira hacia atrás al dominio de referencia, se discretiza utilizando Funciones de Base Radial y se resuelve como un problema de autovalores generalizado. Para habilitar la diferenciación, el problema se transforma en un problema de autovalores estándar mediante la descomposición de Cholesky de la matriz de masa.
   • Regularización: Para evitar que la optimización colapse en formas planas y degeneradas (lo cual causa inestabilidad numérica), se añade un regularizador basado en el número de condición del jacobiano a la función de pérdida.

Contribuciones Clave

• Optimización Convexa Sin Restricciones: La introducción de una parametrización mediante red neuronal suave e invertible que preserva intrínsecamente la convexidad sin requerir restricciones de desigualdad explícitas o términos de penalización.
• Muestreo Uniforme de Diagramas: La aplicación de sistemas de partículas interactuantes para minimizar la energía de Riesz, proporcionando un método para muestrear uniformemente diagramas de Blaschke–Santaló sin depender de conocimientos previos sobre las propiedades de convexidad del diagrama.
• Resolutores de EDP Diferenciables: La integración exitosa de la diferenciación automática con métodos sin malla (MFS y Galerkin-RBF) para calcular y diferenciar funcionales espectrales y de torsión con respecto a los parámetros de forma.
• Implementación de Código Abierto: El lanzamiento de un paquete integral de PyTorch (ConvexShapeOpt) y cuadernos para facilitar la reproducibilidad.

Resultados
El método fue probado en varios diagramas en $\mathbb{R}^2$ y $\mathbb{R}^3$, demostrando efectividad en funcionales geométricos y basados en EDP:

• Diagramas Geométricos (Volumen, Perímetro, Momento de Inercia): El método recuperó con éxito límites teóricos conocidos y formas extremales (por ejemplo, estadios, triángulos, rombos) tanto para cuerpos convexos generales como simétricos en 2D y 3D.
• Diagramas de Rigidez Torsional: El enfoque mapeó con precisión la relación entre volumen, perímetro y rigidez torsional, recuperando desigualdades conocidas (por ejemplo, Saint-Venant, Polya, Makai) y visualizando las formas óptimas correspondientes.
• Diagramas Espectrales (Volumen, Primeros Dos Autovalores de Neumann): El método exploró el diagrama para $\mu_1$ y $\mu_2$. Aunque recuperó la forma general del dominio, los autores notan limitaciones en la precisión para el límite superior debido a restricciones de memoria asociadas con la diferenciación a través del ensamblaje de autovalores.
• Diagramas de Energía de Willmore: El marco manejó con éxito términos de frontera de orden superior, visualizando las compensaciones entre volumen, perímetro y energía de Willmore para conjuntos convexos planos y en 3D.
• Comparación: Las comparaciones con el muestreo aleatorio ingenuo de polígonos convexos mostraron que el método propuesto captura regiones del diagrama que el muestreo aleatorio pasa por alto, particularmente cerca de las fronteras.

Significado y Afirmaciones
El artículo afirma proporcionar un "marco numérico novedoso" que supera las limitaciones de los métodos anteriores al ofrecer un enfoque "totalmente sin restricciones" para la optimización de formas. El significado radica en:

1. Flexibilidad: La capacidad de manejar funcionales diversos (geométricos, espectrales, basados en EDP) dentro de un único marco diferenciable unificado.
2. Robustez: El método proporciona una "descripción satisfactoria" de diagramas tanto en 2D como en 3D sin requerir suposiciones previas sobre la geometría del diagrama (como la convexidad vertical).
3. Escalabilidad: Aunque los costos computacionales aumentan en 3D debido a los requisitos de cuadratura, el método permanece robusto y no requiere complejidades de implementación adicionales en comparación con 2D.
4. Accesibilidad: Al aprovechar la diferenciación automática de PyTorch, el marco reduce la barrera para explorar nuevos funcionales y se pone a disposición de la comunidad investigadora.

Los autores mantienen un tono modesto respecto a las limitaciones, reconociendo que la eficiencia de memoria del método está restringida por el tamaño del grafo computacional requerido para la diferenciación de alta precisión, particularmente para problemas espectrales. También señalan que, aunque la parametrización mediante función de gauge es poderosa, hace que ciertas cantidades geométricas (como el ancho mínimo) sean más difíciles de calcular que con funciones de soporte, aunque ambas son teóricamente intercambiables.