Resumen Técnico: OnlyDense – Modelado de Orden Reducido para Simulación Lagrangiana

Planteamiento del Problema

Los métodos de simulación lagrangiana, como la Hidrodinámica de Partículas Suavizadas (SPH) y el Método de Puntos Materiales (MPM), son esenciales para estudiar sistemas dinámicos en ciencia e ingeniería, particularmente en escenarios que involucran grandes deformaciones, fragmentación e impactos de hipervelocidad (por ejemplo, el blindaje de naves espaciales contra escombros orbitales). Sin embargo, estos métodos enfrentan dos limitaciones críticas:

1. Costo Computacional: El costo de la simulación escala cuadráticamente con el número de partículas debido a la dependencia de la estimación de vecindad para los gradientes espaciales. Las simulaciones que involucran millones de partículas resultan prohibitivamente costosas.
2. No diferenciabilidad: La naturaleza discreta y no diferenciable de las simulaciones numéricas obstaculiza los problemas de diseño inverso, donde encontrar una configuración óptima requiere una ejecución completa de la simulación en cada iteración.

Si bien el aprendizaje automático se ha aplicado a sistemas dinámicos, la literatura existente se centra principalmente en simulaciones Eulerianas (basadas en rejillas) o métodos basados en grafos para sistemas lagrangianos. Los enfoques basados en grafos tratan el estado como un conjunto discreto de partículas, vinculando la complejidad tanto de la representación como de la dinámica directamente al tamaño de la discretización, lo que impide un Modelado de Orden Reducido (ROM) escalable para sistemas masivos de partículas.

Metodología

Los autores proponen OnlyDense, un marco de aprendizaje que trata el estado del sistema como una función continua en lugar de un conjunto discreto de partículas. La trayectoria del sistema se modela como una secuencia de funciones que evolucionan dentro de un espacio de Hilbert.

Formulación Central

En lugar de embeber el estado en un manifold latente no lineal o utilizar redes neuronales de grafos, el método aproxima el espacio de estados utilizando un subespacio lineal aprendido generado por un conjunto finito de funciones de base neuronales.

• Representación del Estado: El estado $s_t$ en el tiempo $t$ se define sobre una configuración de referencia $\Omega_0$ y se aproxima como:
  $$s_t(X) = \sum_{k=1}^{K} c_k(t) \phi_k(X)$$
  donde $\{\phi_k\}_{k=1}^K$ son funciones de base aprendidas (parametrizadas por redes neuronales) y $c_k(t)$ son coeficientes latentes.
• Aprendizaje de la Base (Codificador de Funciones): Los autores emplean un "Codificador de Funciones" para aprender el conjunto de funciones de base $\{\phi_k\}$. Los coeficientes $c(t)$ se obtienen mediante proyección directa (producto interno) u optimización de mínimos cuadrados, evitando la necesidad de codificadores complejos o esquemas de decodificación basados en optimización utilizados en trabajos previos de Representación Neuronal Implícita (INR).
• Aprendizaje de la Dinámica: Una vez que el estado se reduce a un vector de coeficientes de baja dimensión $c(t)$, la dinámica del sistema se aprende enteramente dentro de este espacio reducido. El marco soporta tanto:
  • Tiempo discreto: Aprendiendo un mapa $c_{t+1} = f(c_t; \Psi)$.
  • Tiempo continuo: Aprendiendo la derivada temporal $\dot{c}(t) = f(c, t; \Psi)$ utilizando Ecuaciones Diferenciales Ordinarias Neuronales (Neural ODEs).
• Base Compartida: El marco impone que tanto los campos de posición como los de velocidad compartan el mismo conjunto de funciones de base, asegurando la consistencia física.

Distinciones Técnicas Clave

• Lineal vs. No Lineal: A diferencia de trabajos recientes que parametrizan funciones de estado como manifolds no lineales, OnlyDense restringe el espacio a un subespacio lineal. Esto permite el acceso explícito a las funciones de base y los coeficientes, permitiendo la proyección directa en lugar de la optimización iterativa para la codificación.
• Escalabilidad: La complejidad de la representación está controlada por el número de funciones de base $K$, independiente del número de puntos de discretización $N$. El método permite muestrear un subconjunto de partículas ($M \ll N$) para calcular los coeficientes, lo que lo hace factible para simulaciones con más de un millón de partículas.
• No Intrusivo: El método no requiere acceso a las ecuaciones gobernantes, clasificándolo como un ROM no intrusivo.

Resultados Experimentales

El método fue evaluado tanto en benchmarks Eulerianos (ecuaciones de Onda 2D y Navier-Stokes) como en simulaciones lagrangianas a gran escala generadas con el solver ABSTRAO.

Conjuntos de Datos

1. Benchmarks Eulerianos: Ecuación de onda 2D y Navier-Stokes 2D en una rejilla de $64 \times 64$.
2. Simulaciones Lagrangianas:
   • Placa Explosiva: ~22,000 partículas.
   • Anillo de Mott: ~3,400 partículas.
   • Impacto de Proyectil: ~1.1 millones de partículas (impacto de hipervelocidad de un proyectil de aluminio sobre una placa de acero).

Métricas de Desempeño

• Precisión de Reconstrucción: El método logró puntuaciones $R^2$ superiores a 0.99 para la mayoría de los conjuntos de datos utilizando tan solo 32 funciones de base. Para la simulación de "Proyectil" de 1.1 millones de partículas, la puntuación $R^2$ alcanzó aproximadamente el 99% con 32 bases.
• Eficiencia de Muestreo: En las ecuaciones de Navier-Stokes 2D y de Onda 2D, OnlyDense demostró un desempeño estable a través de varias tasas de muestreo espacial (5%, 25%, 50%). Mientras que algunos baselines funcionaron bien con altas tasas de muestreo, su rendimiento se degradó significativamente bajo observaciones dispersas, mientras que OnlyDense se mantuvo robusto.
• Comparación: En comparaciones con baselines como I-MP-PDE, DeepONet, SIREN y DINo, OnlyDense proporcionó una precisión competitiva o superior, particularmente en escenarios de extrapolación temporal (out-of-time) y bajo condiciones de muestreo disperso.

Significancia y Reivindicaciones

El artículo posiciona a OnlyDense como una unificación del Modelado de Orden Reducido basado en proyecciones clásicas (específicamente, la Descomposición de Órdenes Propios, o POD) con el aprendizaje profundo moderno.

• Puente Conceptual: El enfoque ofrece un puente conceptual entre POD y el aprendizaje profundo. Mientras que POD depende del Análisis de Componentes Principales (PCA), que escala pobremente con la resolución y está limitado a entornos Eulerianos, OnlyDense reemplaza los modos espaciales discretizados con funciones de base neuronales aprendidas. Esto permite la evaluación en ubicaciones arbitrarias y extiende el ROM a sistemas lagrangianos con geometrías irregulares.
• Interpretabilidad: Las variables latentes corresponden directamente a los coeficientes en el espacio de Hilbert, y las funciones de base corresponden a los modos espaciales, proporcionando una interpretación natural análoga al análisis modal clásico.
• Escalabilidad: Al desacoplar la complejidad de la representación del tamaño de la discretización, el método permite la reconstrucción precisa y la predicción de la dinámica para sistemas de partículas masivos (millones de partículas) que son computacionalmente intratables para los enfoques tradicionales de ROM basados en grafos.

Limitaciones

Los autores reconocen explícitamente una limitación actual: el método depende de una configuración de referencia única. Aunque es efectivo para simulaciones Eulerianas (dominio fijo) o simulaciones lagrangianas con una única referencia, el marco aún no puede generalizarse a escenarios que involucren múltiples simulaciones con diferentes configuraciones de referencia o geometrías altamente irregulares que cambien su topología significativamente. Esto se identifica como un objetivo principal para trabajos futuros.