Resumen Técnico: Deflación Espectral en Línea para Problemas de Control Óptimo con Restricciones de Estado

1. Planteamiento del Problema

El artículo aborda problemas de control óptimo con restricciones de EDP paramétricos que presentan restricciones de estado puntuales. Una aplicación representativa es la gestión térmica de grandes activos de energía (por ejemplo, transformadores de potencia), donde una fuente de calor distribuida $u$ debe dirigir un campo de temperatura $y$ hacia un perfil deseado $y_d$ respetando un límite de seguridad $\psi$.

El desafío computacional central surge en el entorno de múltiples consultas (estudios de diseño, gemelos digitales, cuantificación de la incertidumbre), donde el mismo problema de optimización restringida debe resolverse repetidamente para distintos parámetros $\theta$ (por ejemplo, condiciones operativas, propiedades de los materiales).

El Obstáculo de la Volatilidad del Conjunto Activo

Las restricciones de estado se imponen típicamente mediante una estrategia de Conjunto Activo Primal (PAS). En cada iteración, el dominio se particiona en:

• Conjunto Activo ($\mathcal{A}$): Donde la restricción de estado está activa ($y = \psi$).
• Conjunto Inactivo ($\mathcal{I}$): Donde el estado es libre ($y < \psi$).

Tras eliminar el control y las variables adjuntas, el problema se reduce a resolver un sistema de complemento de Schur restringido al conjunto inactivo:
$$M_{\mathcal{I}\mathcal{I}}(\theta) \mathbf{y}_{\mathcal{I}} = \mathbf{b}_{\mathcal{I}}$$
Este sistema es Definido Positivo Simétrico (SPD). Sin embargo, a medida que el parámetro $\theta$ cambia, la partición activo/inactivo cambia de forma no suave (discontinuamente). En consecuencia, el operador restringido $M_{\mathcal{I}\mathcal{I}}$ varía en:

1. Dimensión (tamaño del conjunto inactivo).
2. Patrón de dispersión (sparsity pattern).
3. Espectro.

Esta volatilidad hace que las estrategias de reutilización estándar sean ineficaces:

• Las factorizaciones directas dispersas deben reconstruirse para cada instancia.
• Las jerarquías de Multigrid Algebraico (AMG) requieren reconstrucción.
• El reciclaje de Krylov de instancia a instancia falla porque la información espectral de un sistema restringido previo no se transfiere necesariamente al siguiente debido al cambio abrupto en la estructura del operador.

2. Metodología: Deflación Espectral Reutilizable

Los autores proponen una estrategia que evita el reciclaje de información espectral entre sistemas restringidos consecutivos. En su lugar, anclan la información reutilizable a un único complemento de Schur de dominio completo de referencia ($M_{\text{ref}}$).

Algoritmo Central (A-DEF2)

El método emplea el algoritmo de Conjugación de Gradiente (CG) con deflación A-DEF2:

1. Construcción de la Base de Referencia: Se computan una vez (fuera de línea/offline) los $r_{\text{pool}}$ autovalores y autovectores $(\lambda_j, \phi_j)$ más pequeños de un operador de referencia fijo $M_{\text{ref}} = \alpha A(\theta_{\text{ref}})^\top A(\theta_{\text{ref}}) + I$.
2. Restricción en Línea (Online): Para una nueva instancia de parámetro $\theta$ con un conjunto inactivo $\mathcal{I}$, se restringen los modos propios precomputados al conjunto $\mathcal{I}$: $\phi_j|_{\mathcal{I}}$.
3. Ortonormalización: Se aplica la factorización QR a los vectores restringidos para formar la base de deflación $Z$.
4. Resolución Deflactada: Se utiliza $Z$ como base de deflación en el algoritmo A-DEF2. Esto implica un paso de corrección gruesa seguido de un CG precondicionado sobre el operador proyectado $P^\top M_{\mathcal{I}\mathcal{I}} P$, donde $P$ es el proyector $M_{\mathcal{I}\mathcal{I}}$-ortogonal.

Variantes de Construcción de la Base

Para manejar diferentes regímenes y reducir costos, el artículo introduce varias mejoras:

• Reselección de Rayleigh–Ritz: Un paso opcional donde, tras la restricción, se resuelve un pequeño problema de autovalores denso sobre el grupo de candidatos para seleccionar los mejores $r_{\text{defl}}$ vectores. Esto estabiliza la base en regímenes frágiles (por ejemplo, un Laplaciano 2D de alto rango) donde la simple restricción conduce a un mal condicionamiento.
• Enriquecimiento por POD: Enriquecimiento en línea utilizando instantáneas (snapshots) de POD de instancias resueltas previamente. Estas se fusionan con los modos propios de referencia mediante ortogonalización QR, sujetas a salvaguardas de condicionamiento.
• Prolongación de Malla Gruesa: Para evitar el alto costo de computar modos propios en malla fina, los modos propios se computan en una malla más gruesa y se prolongan a la malla fina mediante interpolación multilineal. Esto reduce el costo del autovalor offline por un factor de $c^d$ (donde $c$ es el factor de refinamiento).
• Modos Propios Analíticos: Para mallas de producto tensorial con referencias de Laplaciano de coeficientes constantes, los modos propios están disponibles en forma cerrada (productos de Kronecker de vectores seno), reduciendo el precompute offline a tiempos de sub-segundo.

Salvaguardas de Condicionamiento

El método incluye dos umbrales para garantizar la estabilidad:

• $\tau_{\text{safe}}$ (Construcción): Detiene el enriquecimiento de los modos POD si el número de condición de la matriz de Gram gruesa excede un límite conservador ($10^4$).
• $\tau_{\text{cond}}$ (Tiempo de Resolución): Si el número de condición del sistema grueso en el tiempo de resolución excede un límite superior más alto ($10^{10}$), el solver recurre a un CG precondicionado por Jacobi estándar.

3. Justificación Teórica: Coherencia Espectral

La eficacia del método reside en un fenómeno de coherencia espectral. Aunque el operador restringido $M_{\mathcal{I}\mathcal{I}}$ cambia de dimensión y espectro, su subespacio de bajas frecuencias permanece alineado con el subespacio de bajas frecuencias del operador de referencia de dominio completo $M_{\text{ref}}$.

• Esto se motiva por el entrelazamiento de Cauchy (para submatrices principales) y el teorema de $\sin \Theta$ de Davis–Kahan (para la perturbación de subespacios).
• Los diagnósticos empíricos (ángulos principales) muestran que, aunque los ángulos de peor caso entre subespacios pueden alcanzar los $90^\circ$, los ángulos para los primeros modos de deflación (por ejemplo, los primeros 20) permanecen pequeños (por ejemplo, $< 8.4^\circ$), asegurando que la base de deflación sea efectiva.

4. Contribuciones Clave

1. Estrategia de Deflación Espectral Reutilizable: Un método para la resolución repetida de conjuntos inactivos que ancla la base a un operador de referencia de dominio completo en lugar de reciclar entre instancias restringidas.
2. Perspectiva del Operador de Referencia: Un marco donde los modos bajos de un complemento de Schur de dominio completo se restringen en línea a conjuntos inactivos dependientes de los parámetros.
3. Interpretación de Coherencia Espectral: Una explicación de la eficacia del método basada en la estructura de submatrices principales y la perturbación de subespacios, validada mediante diagnósticos de ángulos principales.
4. Construcción Práctica de la Base: Desarrollo de variantes que incluyen prolongación de malla gruesa, modos analíticos, enriquecimiento POD y estabilización de Ritz, con salvaguardas de condicionamiento explícitas.

5. Resultados Numéricos

El método fue evaluado en 15 configuraciones de referencia (difusión, convección-difusión, térmica no lineal, transferencia de calor conjugada) en 2D y 3D, además de una extensión espacio-temporal.

Reducción de Iteraciones

• Estado Estacionario: La deflación redujo las iteraciones de CG en un 55–98% en comparación con el CG precondicionado con Jacobi "en frío".
  • Las configuraciones 3D mostraron reducciones de 60–92% con un rango $r=500$.
  • Las configuraciones 2D requirieron reselección de Ritz o fusión POD para lograr una reducción del 86–98% debido a problemas de condicionamiento con rangos altos.
• Espacio-Tiempo: Para problemas parabólicos, una base temporal de Kronecker logró una reducción de iteraciones del 56–85%, mientras que las bases constantes en el tiempo fallaron en capturar la dinámica temporal.

Rendimiento de Tiempo de Ejecución (GPU vs. CPU)

• Hardware: GPU (NVIDIA H200/H100) vs. CPU (Intel Xeon/Azure).
• Aceleración (Speedup):
  • 3D: El CG deflactado en GPU fue de 591–973× más rápido por instancia que los solvers directos dispersos en CPU para mallas de $50^3$ (125K DOF).
  • Comparación con AMG: A pesar de que AMG requiere menos iteraciones, el CG deflactado en GPU fue de 13–18× más rápido que el AMG-RS en CPU debido al menor costo por iteración en GPU y al hecho de que las jerarquías de AMG deben reconstruirse para cada instancia, mientras que la base de deflación se reutiliza.
• Amortización:
  • Con autovalores de malla fina, el costo offline domina para tamaños de lote pequeños.
  • Con prolongación de malla gruesa o modos analíticos, el costo offline se reduce drásticamente.
  • Punto de equilibrio: Con métodos de malla gruesa, la aceleración amortizada sobre los solvers directos de CPU se logra dentro de las primeras 4–32 instancias (dependiendo de la dimensión y el refinamiento). Con modos analíticos para mallas de producto tensorial, el punto de equilibrio ocurre en la primera instancia.

Precisión

Todas las resoluciones deflactadas coincidieron con la solución directa de CPU según la tolerancia de Krylov prescrita ($10^{-10}$), con errores de estado relativos comparables al CG inicial (medianas $\sim 10^{-10}$). Las aceleraciones no se deben a una relajación de la precisión.

6. Significado y Reivindicaciones

El artículo afirma que este enfoque proporciona una medida de aceleración independiente del hardware (reducción de iteraciones) y ganancias sustanciales en el tiempo de ejecución (wall-time) en implementaciones de GPU.

• Complementariedad: El método acelera la álgebra lineal de alta fidelidad repetida sin reemplazar la resolución del control óptimo con un modelo sustituto (a diferencia del Modelado de Orden Reducido o las Redes DeepONet). Preserva el sistema de optimalidad restringido discreto.
• Robustez: Es robusto ante los cambios combinatorios inducidos por las actualizaciones del conjunto activo, un escenario donde el reciclaje de Krylov estándar suele fallar.
• Escalabilidad: El método es adecuado para la ejecución en GPU, utilizando productos matriz-vector dispersos y resoluciones de núcleo denso pequeñas.
• Limitaciones: La coherencia espectral es validada empíricamente pero no probada formalmente para todos los regímenes. Actualmente, el método está limitado a mallas estructuradas para los modos analíticos y depende del ensamblaje explícito del complemento de Schur para el autovalor, lo que limita los tamaños de malla probados a $\sim 125,000$ DOF (estado estacionario) y $\sim 540,000$ DOF (espacio-tiempo). Escalar más allá de $10^6$ DOF requeriría autovalores libres de matrices (matrix-free).

Los autores concluyen que, al anclar la base de deflación a un operador de referencia estable, pueden resolver eficazmente problemas de control óptimo con restricciones de estado a través de muchas instancias de parámetros, superando la volatilidad de los cambios en el conjunto activo que normalmente dificultan la reutilización de solvers.