APEX: Amplitude Anchors and Phase Priors for Target-Scarce Higher-Frequency Wave Prediction

Resumen Técnico: APEX

Enunciado del Problema
Los sustitutos basados en aprendizaje, en particular los operadores neuronales, han demostrado eficacia en la predicción de campos de ondas dentro de regímenes de frecuencia observados. Sin embargo, predecir campos de ondas de mayor frecuencia bajo supervisión objetivo escasa sigue siendo un desafío significativo. En muchos dominios físicos (por ejemplo, electromagnetismo, acústica), los datos de mayor frecuencia son sustancialmente más costosos de simular o medir debido a los requisitos de una discretización más fina y un control numérico más estricto. En consecuencia, los practicantes a menudo poseen datos abundantes de baja frecuencia, pero solo supervisión limitada en el régimen objetivo de mayor frecuencia.

Las estrategias existentes, como la extrapolación directa de baja a alta frecuencia o el ajuste fino de modelos de baja frecuencia con datos limitados de alta frecuencia, a menudo fallan en regímenes altamente oscilatorios. El documento identifica que la dificultad central no es meramente un aumento uniforme del error, sino una asimetría inherente en la transferibilidad cruzada de frecuencias: mientras que las estructuras de amplitud gruesa permanecen relativamente estables a través de las frecuencias, las estructuras oscilatorias sensibles a la fase se deterioran rápidamente a medida que aumenta la brecha de frecuencia.

Metodología: APEX
Para abordar esta asimetría, los autores proponen APEX (Mejora de Amplitud Anclada y Guiada por Prior de Fase desde Predicciones Gruesas Extrapoladas). El marco descompone la tarea de predicción de mayor frecuencia en dos etapas distintas:

1. Ancla de Amplitud Gruesa:
   Un operador neuronal (específicamente un Operador Neuronal de Fourier, FNO) se entrena exclusivamente con datos abundantes de baja frecuencia y luego se congela. Cuando se consulta en una frecuencia objetivo más alta, este operador proporciona una predicción gruesa. El marco extrae únicamente el log-amplitud de esta predicción, tratándolo como un ancla estructural transferible. La información de fase de esta extrapolación se descarta, ya que se considera poco fiable en el régimen de mayor frecuencia.

2. Prior de Fase Inspirado en la Función de Green:
   Para recuperar el detalle oscilatorio faltante, APEX introduce un prior de fase explícito. Este prior es un sustituto analítico ligero basado en una visión de propagación geométrica. Aproxima la fase acumulada a lo largo de las trayectorias de propagación dominantes utilizando la fórmula:
   $$G_{prior}(r, r_s; e, \nu) = \sum_{m=1}^{M} a_m \exp(i \kappa_{ref}(e, \nu) L_m(r, r_s))$$
   donde $L_m$ es la longitud de la trayectoria geométrica, $\kappa_{ref}$ es un coeficiente de fase de referencia adaptativo al dominio, y $M$ representa el número de trayectorias dominantes retenidas. Esto proporciona un andamio oscilatorio consciente de la fuente y la geometría sin intentar reproducir el campo complejo completo.

3. Mejorador de Ajuste de Flujo Condicional:
   Se emplea un modelo generativo basado en Ajuste de Flujo Condicional (CFM) para reconstruir el campo objetivo de mayor frecuencia. El modelo se condiciona en tres componentes:

   • El ancla de amplitud gruesa ($a_{coarse}$).
   • El seno y el coseno del prior de fase ($\sin \phi_{base}, \cos \phi_{base}$).
   • Incrustaciones de características de Fourier de la frecuencia objetivo.

   El mejorador aprende a mapear una distribución de ruido al campo complejo objetivo (representado como log-amplitud y fase seno/coseno) minimizando una pérdida de ajuste de flujo, recuperando efectivamente los detalles oscilatorios de alta frecuencia que el ancla gruesa y el prior de fase por sí solos no pueden capturar completamente.

Contribuciones Clave

• Identificación de la Asimetría de Transferencia: El documento demuestra empírica y teóricamente que, en campos de ondas complejos, la estructura de amplitud gruesa es significativamente más transferible a través de frecuencias que la estructura oscilatoria sensible a la fase. Esto se formaliza mediante una descomposición regional del error que muestra que los errores de fase escalan cuadráticamente con la frecuencia ($\nu^2$), mientras que los errores de amplitud no lo hacen.
• Marco Descompuesto (APEX): Una arquitectura novedosa que separa explícitamente la tarea de predicción en reutilizar la estructura gruesa transferible (amplitud) y recuperar por separado el detalle oscilatorio faltante (fase) guiado por priores inspirados en la física.
• Rendimiento bajo Escasez: El método está diseñado específicamente para escenarios con supervisión objetivo de frecuencia escasa, superando a la extrapolación directa, operadores adaptados al objetivo y líneas base generativas conjuntas.

Resultados Experimentales
APEX se evaluó en tres puntos de referencia: SimpleWave (un simulador de ondas de dos trayectorias), Helmholtz (ecuación de onda en el dominio de la frecuencia heterogénea) y Maxwell (simulaciones electromagnéticas de onda completa). La evaluación se centró en la extrapolación a frecuencias un 20%, 50% y 100% más altas que la frecuencia máxima de entrenamiento.

• Rendimiento Cuantitativo: En todos los puntos de referencia, APEX logró consistentemente el menor error complejo relativo $H^1$ y la mayor Coherencia de Fase Ponderada por Amplitud (AWPC). Por ejemplo, en el punto de referencia Helmholtz en HF100 (extrapolación del 100%), APEX logró un error $H^1$ de 0.634 y una AWPC de 0.815, superando significativamente a la mejor línea base (FNO-Joint: $H^1$ 0.899, AWPC 0.737).
• Análisis Cualitativo: Las comparaciones visuales muestran que, mientras que la extrapolación directa conserva cierta amplitud gruesa pero falla en la alineación de fase, y los modelos generativos conjuntos producen estructuras plausibles pero desalineadas, APEX recupera con éxito tanto la localización de la amplitud como los patrones de fase coherentes de la verdad fundamental.
• Estudios de Ablación: Eliminar ya sea el prior de fase o el ancla gruesa resultó en una degradación significativa del rendimiento, confirmando que ambos componentes son necesarios y complementarios. El ancla gruesa proporciona organización global, mientras que el prior de fase guía la recuperación fina oscilatoria.

Significado y Afirmaciones
El documento afirma que la predicción confiable de campos de ondas oscilatorios de mayor frecuencia no debe depender de la transferencia directa de extremo a extremo del campo complejo completo. En su lugar, aboga por una estrategia que reutilice explícitamente la estructura gruesa transferible (amplitud) mientras recupera por separado el detalle oscilatorio faltante utilizando priores guiados por la física.

Los autores posicionan a APEX como una solución al problema de la "supervisión escasa" en el modelado de ondas de alta frecuencia, ofreciendo una forma de aprovechar los datos abundantes de baja frecuencia sin requerir conjuntos de datos extensos de alta frecuencia para el entrenamiento. El trabajo sugiere que comprender los componentes específicos de un campo que se degradan bajo desplazamientos de frecuencia es crucial para diseñar modelos sustitutos generalizables.

Limitaciones
Los autores reconocen que el costo de inferencia de APEX es mayor que una sola pasada hacia adelante de un operador neuronal debido al muestreo iterativo requerido por el mejorador de ajuste de flujo. Además, el prior de fase es una aproximación simplificada que no modela completamente efectos complejos de múltiples trayectorias o dispersión fuerte, aunque sirve como un andamio ligero efectivo. La implementación actual utiliza FNO como columna vertebral, aunque el concepto de ancla de amplitud es teóricamente agnóstico a la columna vertebral.