Consistent CutPINNs for Elliptic PDEs on Curved Level-Set Domains

Resumen Técnico: CutPINNs Consistentes para EDPs Elípticas en Dominios Curvos Definidos por Niveles

Enunciado del Problema
Las Redes Neuronales Informadas por la Física (PINNs) ofrecen un enfoque sin malla para resolver ecuaciones diferenciales parciales (EDP), lo que las hace naturalmente adecuadas para dominios definidos implícitamente por funciones de nivel. Sin embargo, las formulaciones estándar de PINN sufren una inconsistencia teórica cuando se aplican a problemas elípticos de segundo orden. La función de pérdida estándar penaliza la discrepancia en la frontera en la norma $L^2(\partial\Omega)$. Aunque la buena planteabilidad de los problemas elípticos está gobernada por la norma de energía $H^1(\Omega)$, las estimaciones a priori relevantes requieren el control del residuo en la frontera en el espacio de Sobolev fraccional $H^{1/2}(\partial\Omega)$. Dado que la inclusión $H^{1/2}(\partial\Omega) \subset L^2(\partial\Omega)$ es estricta, minimizar la pérdida en la frontera estándar $L^2$ no garantiza la minimización del error $H^1$. Esta discrepancia permite la aparición de oscilaciones de alta frecuencia que se anulan en los puntos de colocación pero poseen grandes seminormas $H^{1/2}$, lo que conduce a tasas de convergencia deficientes e inestabilidad, particularmente en configuraciones de "células cortadas" donde la frontera del dominio interseca una cuadrícula de muestreo.

Trabajos anteriores de Bonito et al. [4] abordaron esto introduciendo funciones de pérdida "consistentes" que aproximan la norma $H^{1/2}(\partial\Omega)$ mediante un sustituto discreto. Sin embargo, su construcción depende de la descomposición simplicial de Kuhn–Tucker de caras de frontera planas (específicamente en el cubo unitario) y de la estructura afín de dichas caras. Este enfoque no se extiende a fronteras suaves y curvas definidas por funciones de nivel, dejando un vacío en la aplicación teórica y práctica de PINNs consistentes a dominios curvos generales.

Metodología
El artículo propone el marco Consistent CutPINN, diseñado específicamente para dominios acotados bidimensionales $\Omega = \{x \in \mathbb{R}^2 : \phi(x) < 0\}$ donde $\phi$ es una función de nivel $C^2$. La metodología central implica construir un sustituto discreto para la norma $H^{1/2}(\partial\Omega)$ directamente a partir de puntos de colocación en la frontera curva, sin requerir una malla de elementos finitos subyacente ni una descomposición simplicial.

1. Construcción de la Norma Discreta: Los autores definen una norma $H^{1/2}$ discreta utilizando una discretización de doble suma de la seminorma intrínseca de Gagliardo sobre puntos de colocación $Z = \{z_1, \dots, z_m\} \subset \partial\Omega$. El núcleo utiliza la distancia euclidiana ambiental $|z - z'|$ en lugar de la distancia a lo largo del arco.
2. Fundamento Teórico: El marco se basa en un lema de cuerda-arco (Lema 1), que establece que para una curva $C^2$, la distancia de la cuerda euclidiana es comparable a la distancia a lo largo del arco. Esta equivalencia permite a los autores probar una equivalencia de norma bilateral (Teorema 3) entre el sustituto discreto y la norma de traza continua $H^{1/2}(\partial\Omega)$, siempre que los puntos de la frontera sean equidistantes en longitud de arco (o cuasi-uniformes).
3. Funciones de Pérdida: Se definen dos funciones de pérdida consistentes:
   • $L^*_{sq,2}$: Utiliza el residuo interior estándar $L^2$ y el nuevo residuo en la frontera discreto $H^{1/2}$.
   • $L^*_{sq,\gamma}$: Utiliza un residuo interior $L^\gamma$ (con $\gamma \to 1$) para aproximar mejor la norma $H^{-1}$, combinado con el término de frontera discreto $H^{1/2}$.
4. Recuperación Óptima: El marco se analiza dentro de la teoría de recuperación óptima bajo suposiciones de regularidad de Besov. Los autores derivan una cota de error a priori $H^1$ (Teorema 7) que muestra que minimizar la pérdida consistente controla el error $H^1$ a la tasa de recuperación óptima.

Contribuciones Clave

• Extensión a Dominios Curvos: El artículo cierra la brecha entre las funciones de pérdida consistentes y las fronteras curvas definidas implícitamente. Demuestra que la norma $H^{1/2}$ discreta construida a partir de distancias euclidianas en una curva $C^2$ es equivalente en norma a la norma de traza continua, eliminando la dependencia de descomposiciones simpliciales de caras planas.
• Cotas de Error A Priori: Los autores establecen una cota rigurosa de error a priori $H^1$ para el marco Consistent CutPINN. La cota depende de la curvatura máxima de la frontera a través de la constante de cuerda-arco y logra tasas de convergencia óptimas bajo regularidad de Besov.
• Robustez ante Configuraciones de Células Cortadas: El análisis teórico y los experimentos numéricos muestran que la pérdida consistente es significativamente más robusta a la posición del dominio relativa a los puntos de muestreo en comparación con las PINNs estándar.
• Robustez Probabilística: El artículo incluye un análisis probabilístico (Proposición 4) que muestra que la seminorma discreta se concentra alrededor de su media incluso bajo muestreo de frontera Monte Carlo i.i.d., sugiriendo que la efectividad del método se extiende más allá del muestreo estrictamente equidistante.

Resultados
Se realizaron experimentos numéricos en un disco (convexo) y un dominio de flor no convexo (simetría de cinco pliegues) utilizando soluciones fabricadas.

• Precisión: La pérdida consistente $L^*_{sq,2}$ superó consistentemente a la pérdida estándar de PINN ($L_{sq,1}$). En el disco, logró un error $H^1$ 4.9 veces menor a alta resolución; en el dominio de la flor, el factor de mejora alcanzó 8.1 veces.
• Tasas de Convergencia: La pérdida estándar se saturó en un nivel de error subóptimo (pendiente $\approx -0.31$) porque el término de frontera $L^2$ falló en controlar la traza $H^{1/2}$. Por el contrario, la pérdida consistente $L^*_{sq,2}$ alcanzó la pendiente de convergencia óptima predicha de $\approx -0.49$ (coincidiendo con la teórica $-0.50$).
• Estabilidad: En un experimento de "disco en movimiento" donde el centro del dominio se desplazó 121 veces, la pérdida estándar exhibió alta varianza y divergencia ocasional (picos en el error). La pérdida consistente $L^*_{sq,2}$ redujo la desviación estándar del error en un factor de 26 y permaneció estable en 120 de las 121 configuraciones.
• Muestreo No Uniforme: Incluso cuando los puntos de la frontera se muestrearon mediante Monte Carlo i.i.d. (violando la suposición de equidistancia del teorema principal), la pérdida consistente aún redujo el error $H^1$ en un factor de 3.9 en comparación con la pérdida estándar.

Significado
El artículo afirma que Consistent CutPINN proporciona el primer marco que combina funciones de pérdida consistentes con dominios curvos definidos implícitamente. Al probar que el sustituto discreto $H^{1/2}$ construido a partir de distancias euclidianas es equivalente en norma a la traza continua en curvas $C^2$, el trabajo valida el uso de pérdidas consistentes en entornos sin malla para geometrías complejas. Los resultados demuestran que abordar el desajuste de normas en la función de pérdida es crítico para lograr tasas de convergencia óptimas y robustez en PINNs, particularmente cuando la solución exhibe capas límite u oscilaciones de alta frecuencia. Los autores señalan que el análisis actual está restringido a $d=2$ debido a la dependencia de la parametrización global por longitud de arco para el lema de cuerda-arco, dejando las extensiones a 3D y dominios con esquinas como trabajo futuro.