Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems

Resumen Técnico: Diagnósticos Residuales Secuenciales Sensibles a la Estructura para Problemas Inversos de EDP

Planteamiento del Problema
En la ciencia y la ingeniería computacional, los problemas inversos implican inferir parámetros de un modelo a partir de observaciones. Un paso crítico, a menudo pasado por alto, es evaluar si un modelo ajustado es adecuado para la predicción. La práctica estándar se basa en diagnósticos de norma de residuo, como el principio de discrepancia de Morozov o las pruebas $\chi^2$ de muestra fija, que verifican si la magnitud de los residuos es consistente con el nivel de ruido asumido.

El artículo argumenta que estos diagnósticos basados en la magnitud son engañosos en los problemas inversos de ecuaciones diferenciales parciales (EDP) de suavizado. En tales problemas, los errores estructurales del modelo (especificación errónea) pueden ser atenuados por el operador de propagación en el espacio de observación. Consecuentemente, la norma del residuo puede permanecer por debajo de los umbrales de discrepancia prácticos, incluso cuando persisten patrones de residuos coherentes y sistemáticos. Esto conduce a la aceptación de modelos ajustados que producen parámetros sesgados y cantidades de interés (QoIs) materialmente erróneas, a pesar de parecer "consistentes" con el ruido.

Metodología
Los autores proponen un diagnóstico secuencial sensible a la estructura basado en e-procesos de la estadística de teoría de juegos. El método opera como un diagnóstico post-ajuste sobre una estimación de parámetro fija $\hat{\theta}$.

1. Portafolio de Expertos: El método emplea un "banco" de expertos, donde cada experto prueba un patrón de residuo espacial específico. Estos patrones se extraen de un diccionario de funciones base suaves de baja frecuencia (modos de Fourier y polinomios) relevantes para la geometría de la EDP.
2. Construcción del E-Proceso: Cada experto actúa como una apuesta de razón de verosimilitud contra la hipótesis nula de que los residuos son puro ruido ($N(0, \sigma^2)$). Los expertos se combinan en un portafolio universal (una mezcla de razones de verosimilitud).
3. Monitoreo Secuencial: A medida que llegan las observaciones, la "riqueza" del portafolio (la razón de verosimilitud agregada) se actualiza. El diagnóstico rechaza el modelo ajustado si la riqueza agregada cruza un umbral prescrito ($1/\alpha$).
4. Control de Validez en Cualquier Momento: Aprovechando las propiedades de los e-procesos y la desigualdad de Ville, el método garantiza el control del error de tipo I en cualquier momento (anytime-valid). Esto significa que el analista puede inspeccionar el diagnóstico repetidamente, detener la recolección de datos prematuramente o continuar la recolección basándose en evidencia preliminar sin inflar la tasa de falsos positivos.
5. Atribución: Tras un rechazo, la distribución de la riqueza a través del portafolio de expertos atribuye la evidencia a patrones de residuos espaciales específicos, ofreciendo una guía interpretable para la corrección del modelo.

Contribuciones Clave
El artículo realiza tres contribuciones principales:

1. Formulación: Formula un e-proceso de portafolio para la detección de patrones de residuos que proporciona advertencias tempranas válidas en cualquier momento para un modelo ajustado fijo.
2. Atribución: Demuestra cómo los pesos del portafolio proporcionan una atribución interpretable a los patrones de residuos espaciales, sugiriendo correcciones parsimoniosas de seguimiento.
3. Demostración Empírica: Muestra, a través de tres distintos problemas inversos de EDP, cómo los controles de discrepancia estándar pueden aceptar modelos mal especificados con residuos pequeños pero estructurados, lo que conduce a QoIs sesgadas, mientras que el método propuesto detecta estos fallos de forma más temprana y con sensibilidad estructural.

Resultados Experimentales
El método fue evaluado en tres problemas inversos:

• Difusividad de Poisson 1D: Un problema sintético controlado donde se variaron los tipos de especificación errónea (por tramos, campana gaussiana, tres pasos, lineal).
  • Resultado: En el caso "lineal", el error del modelo fue sub-ruido ($\|\mu^*\| < \sigma$). El control de Morozov y las pruebas $\chi^2$ de muestra fija no detectaron el error (o requirieron el conjunto completo de datos), mientras que el e-proceso lo detectó secuencialmente utilizando solo el 9% de los datos. Crucialmente, el modelo aceptado produjo errores de QoI de hasta un 15.3% (predicción puntual) y un 7.8% (promedio regional).
• Flujo de Stokes 2D (Arrastre Basal): Un problema de inferencia de frontera mal planteado donde los errores de nivel base se suavizan hacia la superficie.
  • Resultado: Un modelo mal especificado ($K=3$ frente al verdadero $K=4$) produjo residuos superficiales consistentes con el ruido (RMS/$\sigma \approx 1.35$). Morozov aceptó el ajuste, pero el e-proceso detectó la insuficiencia estructural tras solo el 10% de las observaciones. El arrastre basal inferido fue cualitativamente erróneo, desplazando la ubicación del mínimo arrastre, crítica para la estabilidad de la línea de retroceso.
• Icepack (Corriente de Hielo Glaciológica): Un modelo de elementos finitos comunitario que utiliza la Aproximación de Plataforma Somera (SSA).
  • Resultado: Similar a Stokes, el e-proceso detectó la especificación errónea estructural ($K=3$ frente a $K=4$) mientras que Morozov aceptó el ajuste. El modelo aceptado resultó en un error del 36% en el flujo de hielo del término.
• Reparación del Modelo: En los experimentos de Poisson, la distribución de riqueza identificó con éxito los modos de residuo dominantes. Utilizar estos modos principales para ajustar una corrección de la discrepancia redujo los errores de QoI de aproximadamente ~15% a ~3-4%, igualando el rendimiento de una regresión ciega sobre la base completa.

Significancia y Reivindicaciones
El artículo afirma que el e-proceso ofrece un flujo de trabajo práctico para detectar la estructura de los residuos durante la adquisición de datos, una capacidad que carecen los controles estándar de lote o basados en la magnitud. Su significancia radica en:

• Detección Temprana: Identifica la especificación errónea desde una fracción de las observaciones, a menudo antes de que la magnitud del residuo sea lo suficientemente grande como para activar los controles estándar.
• Interpretabilidad: A diferencia del rechazo de caja negra, la distribución de riqueza identifica qué patrones espaciales impulsan la falta de ajuste, guiando la corrección exploratoria del modelo.
• Robustez: El método es computacionalmente eficiente (paso de post-procesamiento, $O(K)$ por observación) y no requiere modificaciones al resolvedor de propagación ni reentrenamiento.
• Validez: Proporciona un control riguroso del error de tipo I bajo parada opcional, lo que lo hace adecuado para entornos donde los diagnósticos se inspeccionan repetidamente o la recolección de datos es adaptativa.

Los autores señalan limitaciones: el método asume un $\hat{\theta}$ fijo (validez condicional) y un nivel de ruido $\sigma$ conocido. Aunque es robusto ante la sobreestimación del ruido, la subestimación rompe la garantía de validez. El marco está diseñado para diagnósticos post-ajuste sobre estimaciones puntuales, no para el reajuste de parámetros totalmente en línea, lo que requeriría salvaguardas adicionales como la inferencia universal.