GasNiTROM: Model Reduction via Non-Intrusive Optimization of Oblique Projection Operators and Guaranteed-Stable Latent-Space Dynamics

Resumen Técnico: GasNiTROM

1. Planteamiento del Problema

El objetivo de la reducción de orden de modelos (ROM) es crear representaciones de baja dimensión de sistemas físicos de alta dimensión para tareas como el control, la optimización y la simulación rápida. Sin embargo, existen dos desafíos críticos en los sistemas no lineales que exhiben grandes transitorios y operan lejos de puntos de equilibrio:

1. Inestabilidad: Los modelos reducidos no intrusivos actuales (basados en datos) a menudo carecen de garantías de estabilidad, lo que lleva a que las simulaciones exploten en tiempo finito o infinito.
2. Pérdida de Precisión por Proyección Ortogonal: Los métodos tradicionales (como Operator Inference o POD-Galerkin) utilizan proyecciones ortogonales. Estas tienden a truncar estados de baja energía que, sin embargo, son dinámicamente críticos para explicar la sensibilidad del sistema y los grandes transitorios. Esto resulta en modelos estables pero con baja precisión predictiva.

El problema central es desarrollar un marco no intrusivo (que no requiera acceso al código fuente del solver de alta fidelidad) que garantice simultáneamente la estabilidad asintótica global del espacio latente y la capacidad de capturar mecanismos de sensibilidad mediante proyecciones oblicuas óptimas.

2. Metodología: GasNiTROM

Los autores proponen GasNiTROM (Globally-asymptotically-stable Non-intrusive Trajectory-based optimization of Reduced-Order Models). Este marco combina la optimización de operadores de proyección oblicua con restricciones de estabilidad de Lyapunov.

Componentes Clave:

• Formulación del Modelo:
  Se busca un modelo de la forma:
  $$\frac{d\mathbf{z}}{dt} = \mathbf{f}_r(\mathbf{z}, \mathbf{u}), \quad \hat{\mathbf{y}} = \mathbf{h}(\mathbf{\Phi}(\mathbf{\Psi}^\top\mathbf{\Phi})^{-1}\mathbf{z})$$
  Donde $\mathbf{z}$ es el estado latente, $\mathbf{\Psi}^\top$ es el codificador (encoder) y $\mathbf{\Phi}(\mathbf{\Psi}^\top\mathbf{\Phi})^{-1}$ es el decodificador (decoder). Juntos definen un operador de proyección oblicua $\mathbb{P}$.

• Dinámica Estable en el Espacio Latente:
  Para garantizar la estabilidad global, se parametriza la dinámica $\mathbf{f}_r$ (asumida polinomial cuadrática) utilizando una estructura basada en Lyapunov:
  $$\mathbf{f}_r(\mathbf{z}, \mathbf{u}) = \mathbf{A}\mathbf{z} + \mathbf{H}:\mathbf{z}\mathbf{z}^\top + \mathbf{B}\mathbf{u}$$
  Los tensores $\mathbf{A}$ y $\mathbf{H}$ se construyen mediante parámetros no acotados ($\mathbf{K}, \mathbf{R}, \mathbf{Q}, \mathbf{S}$) que aseguran, por construcción, que la función de Lyapunov $V(\mathbf{z}) = \mathbf{z}^\top\tilde{\mathbf{Q}}\mathbf{z}$ decrezca monótonamente.

  • Innovación en la parametrización: A diferencia de trabajos previos que usaban $\tilde{\mathbf{Q}} = \mathbf{Q}\mathbf{Q}^\top$ (propenso a pérdida de rango), los autores proponen $\tilde{\mathbf{Q}} = \mathbf{Q}^{-1}\mathbf{Q}^{-\top}$, garantizando que $\tilde{\mathbf{Q}}$ sea estrictamente definido positivo siempre que $\mathbf{Q}$ sea de rango completo.

• Optimización en Variedades de Matrices:
  El problema se formula como una minimización de la pérdida de predicción sobre un producto de variedades:

  • Variedad de Grassmann ($\mathcal{G}_{n,r}$): Para parametrizar el espacio de subespacios del decodificador $\mathbf{\Phi}$ (invariante a rotaciones/escalados).
  • Variedad de Stiefel ($St_{n,r}$): Para el codificador $\mathbf{\Psi}$ (marcos ortonormales).
  • Espacios Euclidianos: Para los tensores de dinámica y entrada.

• Cálculo del Gradiente (Backpropagation Adjoint):
  Una contribución técnica significativa es la derivación de una expresión de gradiente en forma cerrada para la función objetivo utilizando la ecuación adjunta en el espacio latente. Esto elimina la necesidad de diferenciación automática (autodiff) costosa durante el entrenamiento, permitiendo un cálculo eficiente de los gradientes sobre las variedades.

3. Contribuciones Clave

1. Marco Unificado: Es el primer método no intrusivo que optimiza simultáneamente los operadores de proyección oblicua (para precisión) y las dinámicas del espacio latente (para estabilidad), resolviendo la compensación típica entre estabilidad y precisión.
2. Garantía de Estabilidad Estricta: A diferencia de métodos que penalizan la inestabilidad, GasNiTROM la impone estructuralmente mediante la parametrización de Lyapunov, evitando el "blow-up" (explosión numérica).
3. Eficiencia Computacional: La derivación de gradientes en forma cerrada mediante métodos adjuntos permite entrenar modelos complejos sin depender exclusivamente de herramientas de diferenciación automática, reduciendo la carga computacional.
4. Superioridad sobre Proyecciones Ortogonales: Demuestra que las proyecciones oblicuas optimizadas son esenciales para capturar la dinámica de sistemas con crecimiento transitorio no normal, donde los métodos ortogonales fallan.

4. Resultados Experimentales

Los autores validaron GasNiTROM en dos casos de estudio:

• Caso 1: Sistema de EDOs Tridimensional (Modelo de Juguete):

  • Un sistema no lineal con acoplamiento fuerte entre estados de alta energía y estados de baja energía que decaen rápidamente.
  • Resultados: GasNiTROM superó significativamente a POD-Galerkin, Operator Inference (OpInf) y NiTROM clásico. Mientras que NiTROM y OpInf mostraron inestabilidad o errores altos en la extrapolación temporal, GasNiTROM mantuvo una baja error y estabilidad global, incluso ante forzamientos sinusoidales de alta amplitud fuera del régimen de entrenamiento.

• Caso 2: Flujo en Cavity con Arrastre de Tapa (2D, $Re=8300$):

  • Un flujo incompresible con alto crecimiento transitorio debido a la naturaleza no normal de la dinámica.
  • Resultados:
    • Precisión: GasNiTROM y NiTROM mostraron errores de entrenamiento similares y muy bajos (hasta 2 órdenes de magnitud mejores que los métodos ortogonales).
    • Estabilidad en Extrapolación: Al extrapolar más allá del tiempo de entrenamiento, NiTROM clásico se volvió inestable y sus errores crecieron drásticamente. GasNiTROM mantuvo un error bajo y estable.
    • Física: En visualizaciones de vorticidad, los modelos basados en proyección oblicua (GasNiTROM) capturaron correctamente la fase y amplitud de las estructuras vorticiales, mientras que los modelos ortogonales fallaron en predecir la magnitud y la fase correcta.

5. Significado e Impacto

El trabajo de GasNiTROM es significativo porque cierra la brecha entre la estabilidad teórica y la precisión práctica en la reducción de modelos no intrusivos.

• Aplicabilidad en Solvers de Caja Negra: Al ser no intrusivo, es aplicable a sistemas simulados con códigos comerciales o heredados donde no se puede acceder a la linealización o al código fuente.
• Robustez para Sistemas Críticos: Es particularmente valioso para sistemas de ingeniería (como aerodinámica hipersónica o flujos turbulentos) donde los grandes transitorios son comunes y la inestabilidad de un modelo de control o predicción puede ser catastrófica.
• Avance Metodológico: Establece un nuevo estándar al demostrar que la optimización conjunta de la proyección y la dinámica, restringida por la teoría de Lyapunov, es superior a enfoques secuenciales o basados únicamente en penalizaciones.

En conclusión, GasNiTROM ofrece un marco robusto para generar modelos reducidos que no solo son matemáticamente estables, sino que también preservan la física crítica necesaria para predicciones precisas en regímenes de operación complejos y transitorios.