No-Harm Physics-Informed Inverse Learning with Residual-Calibrated Uncertainty

Resumen Técnico: Aprendizaje Inverso Informado por la Física sin Daño con Incertidumbre Calibrada por Residuos

Planteamiento del Problema
El aprendizaje informado por la física, particularmente las Redes Neuronales Informadas por la Física (PINNs), se aplica cada vez más a problemas inversos gobernados por ecuaciones diferenciales parciales (PDE). Si bien estos métodos pueden mejorar la calidad de la reconstrucción en regímenes familiares, su fiabilidad en entornos mal planteados sigue siendo difícil de certificar. Una reconstrucción aprendida puede parecer visualmente plausible o lograr una baja pérdida de entrenamiento mientras permanece inestable bajo perturbaciones de datos, desajustes del modelo o cambios de distribución fuera de la distribución (out-of-distribution). Los enfoques actuales carecen a menudo de información de fiabilidad computable, lo que hace imposible distinguir entre una mejora genuina y una solución "alucinada" o inestable. El desafío central es desarrollar un marco que permita a los resolvedores aprendidos mejorar sobre las líneas base tradicionales sin degradar silenciosamente la fiabilidad.

Metodología
El artículo propone un marco de certificación y selección de "no daño" que actúa como una capa de decisión en lugar de una nueva arquitectura de reconstrucción. El principio central es que una reconstrucción inversa aprendida solo debe reemplazar a una reconstrucción de línea base si su radio de incertidumbre calibrado por residuos es demostrablemente no peor que el de la línea base.

La metodología procede a través de los siguientes pasos:

1. Definición de Residuos: Para una reconstrucción candidata $(u, q)$, el marco computa cuatro componentes distintos de residuo:

   • Residuo de Datos ($r_{data}$): El desajuste entre la salida del modelo y las observaciones ruidosas.
   • Residuo de Física ($r_{pde}$): La violación de la PDE gobernante.
   • Residuo de Condiciones de Frontera/Iniciales ($r_{bc}$): El desajuste con las restricciones de frontera o iniciales.
   • Residuo de Optimización ($r_{opt}$): Una medida de estacionariedad (por ejemplo, la norma del gradiente) para dar cuenta de los minimizadores aproximados y el entrenamiento incompleto.

2. Estabilidad Condicional y Límites de Error: El marco se basa en una estimación de estabilidad condicional (Supuesto 1), que postula que, para un conjunto admisible de soluciones, el error de reconstrucción está acotado por una potencia de la suma de los residuos y el ruido. Bajo este supuesto, el artículo deriva un límite de error a posteriori (Teorema 1). Este límite define un radio de incertidumbre calibrado por residuos ($R$) que sirve como un límite superior determinista sobre el error de reconstrucción.

3. Extensiones Estocásticas y de Optimización:

   • Para los residuos de física estimados mediante puntos de colocación aleatorios, el artículo deriva límites de alta probabilidad (Teorema 3) utilizando la desigualdad de Hoeffding, asegurando que el certificado siga siendo válido incluso cuando los residuos son muestreados.
   • Se incluye explícitamente un residuo de optimización para penalizar soluciones donde el optimizador no ha alcanzado un punto estacionario significativo, evitando la aceptación de resultados de entrenamiento "incompletos".

4. Regla de Selección de No Daño: Dada una reconstrucción de línea base con radio $R_{base}$ y una reconstrucción aprendida con radio $R_{learn}$, la solución aprendida se acepta solo si:
   $$R_{learn} \leq R_{base} + \epsilon_{safe}$$
   donde $\epsilon_{safe}$ es una tolerancia prescrita. Si esta condición falla, el marco vuelve por defecto a la línea base. Esto asegura que la salida seleccionada esté siempre controlada por el certificado de fiabilidad de la línea base.

Contribuciones Clave
El artículo realiza siete contribuciones primarias:

1. Definición del Certificado de Residuo: Un certificado unificado que combina residuos de datos, de física, de condiciones de frontera/iniciales y de optimización.
2. Límite de Error A Posteriori: Una prueba de que, bajo estabilidad condicional, estos residuos producen un límite superior computable sobre el error de reconstrucción.
3. Radio de Incertidumbre: La introducción de un radio de incertidumbre calibrado por residuos que puede reportarse junto con las reconstrucciones aprendidas.
4. Regla de Selección de No Daño: Una regla determinista que acepta reconstrucciones aprendidas solo cuando mejoran o igualan la fiabilidad certificada de una línea base.
5. Certificación Estocástica: Límites de alta probabilidad para los residuos de física estimados a partir de puntos de colocación aleatorios independientes.
6. Integración del Residuo de Optimización: Un mecanismo para dar cuenta de los minimizadores aproximados y la convergencia de la optimación mediante diagnósticos de estacionariedad.
7. Validación Numérica: Pruebas exhaustivas a través de diversos problemas inversos (recuperación de fuente de Poisson, reconstrucción de calor inversa, tomografía de ángulo limitado e identificación de coeficientes elípticos) para validar el comportamiento del marco bajo ruido, desajuste de modelo e ill-posedness (mal planteamiento).

Resultados
Los experimentos numéricos validan el marco a través de cinco escenarios distintos:

• Recuperación de Fuente de Poisson: El selector aceptó con éxito candidatos aprendidos "buenos" con radios certificados más pequeños, mientras rechazó candidatos "desplazados" e "incompletos" que tenían radios más grandes, a pesar de que algunos presentaban apariencias visuales plausibles.
• Reconstrucción Inversa de Calor: En regímenes fuertemente mal planteados (donde el mapa hacia adelante es altamente suavizante), el marco se volvió conservador, rechazando candidatos aprendidos incluso cuando su error real era moderado, debido a que sus radios certificados excedían a la línea base por inestabilidad.
• Tomografía de Ángulo Limitado: Una prueba de estrés crítica mostró que un candidato aprendido con un error real menor (en retrospectiva) fue rechazado porque su radio certificado era mayor que el de la línea base. Esto demuestra la dependencia de la regla en la evidencia disponible en lugar de la verdad de fondo (ground truth).
• Identificación de Coeficientes Geofísicos: El marco aceptó mejoras aprendidas en la identificación de coeficientes mientras rechazaba candidatos desplazados, confirmando su capacidad para detectar inconsistencias estructurales.
• Validación de Residuo Estocástico: Las pruebas con puntos de colocación independientes confirmaron que los límites de alta probabilidad son conservadores y se estrechan a medida que aumenta el número de puntos de validación, logrando una cobertura del 100% en los regímenes probados.

Un barrido de suficiencia a gran escala (21,000 ensayos) reveló que la regla de no daño es altamente conservadora: rechazó más del 54% de los candidatos aprendidos que eran en realidad más precisos que la línea base (falsos rechazos) para asegurar que ningún candidato inseguro (menos del 1.2% de las selecciones) fuera aceptado. Esto confirma que el marco prioriza la fiabilidad sobre la maximización de la precisión potencial cuando la verdad de fondo es desconocida.

Significancia y Reivindicaciones
El artículo afirma que su contribución principal no es una nueva arquitectura neuronal o un resolvedor específico, sino una regla de decisión reutilizable para el aprendizaje inverso informado por la física. El marco desplaza el paradigma operativo de "reconstruir y esperar" a "reconstruir, certificar y seleccionar".

Los autores enfatizan que el método es independiente de la arquitectura, capaz de envolver PINNs, operadores neuronales, resolvedores desenrollados o optimizadores clásicos. La significancia radica en proporcionar un mecanismo para evitar que las salidas aprendidas no certificadas reemplacen silenciosamente a las líneas base tradicionales más seguras. Al vincular la aceptación a un certificado calibrado por residuos derivado de la estabilidad condicional, el marco asegura que cualquier mejora en la reconstrucción esté respaldada por la consistencia de los datos, el cumplimiento de la física y la convergencia de la optimización, en lugar de solo la plausibilidad visual o la pérdida de entrenamiento. El artículo concluye que, en ausencia de verdad de fondo, el principio de no daño proporciona una salvaguarda necesaria para el despliegue del aprendizaje informado por la física en problemas inversos críticos.