PhyRes-MDNF: Physics-Coupled Residual GNN Correction for Multilevel Discrete Neural Field Inversion

Resumen Técnico: PhyRes-MDNF para Problemas Inversos con Restricciones de EDP

Planteamiento del Problema
La inversión de coeficientes para ecuaciones diferenciales parciales (EDP) elípticas es inherentemente mal condicionada. Las observaciones dispersas proporcionan restricciones débiles sobre los parámetros de escala fina, y la optimización directa de un solo nivel de resolución requiere recuperar los campos de estado y de coeficientes en todas las escalas simultáneamente. Esto conduce a trayectorias de optimización que son lentas, altamente sensibles a la inicialización y propensas a estancarse en mínimos locales inexactos antes de que se identifiquen las estructuras de gran escala. Mientras que las Redes Neuronales Informadas por la Física (PINNs) ofrecen un enfoque por instancia sin necesidad de datos de entrenamiento fuera de línea, pueden introducir sesgo espectral, desequilibrio de pérdida y un desajuste entre la diferenciación automática continua y los operadores discretos utilizados para la interpretación de las mediciones. Por el contrario, los sustitutos aprendidos requieren extensos conjuntos de datos fuera de línea y corren el riesgo de introducir errores de aproximación que son malinterpretados como cambios físicos en los coeficientes desconocidos.

Metodología: PhyRes-MDNF
Los autores proponen PhyRes-MDNF (Physics-Coupled Residual GNN Correction for Multilevel Discrete Neural Field Inversion), un marco que conserva los operadores físicos numéricos fijos mientras utiliza una estrategia de optimización multinivel mejorada por un mecanismo de transferencia aprendido. El marco consta de dos componentes principales:

1. Esqueleto de Campo Neuronal Discreto Multinivel (MDNF):

   • A diferencia de los sustitutos de redes de coordenadas, los incógnitos inversos (estados y coeficientes) se representan directamente como arreglos de rejilla o malla entrenables (Campos Neuronales Discretos o DNF).
   • La optimización procede mediante una secuencia anidada de discretizaciones (de grueso a fino). Los niveles gruesos resuelven estructuras observables de gran escala antes de que se introduzcan los grados de libertad refinados.
   • En la realización de flujo de Darcy, los campos de estado ($U$) y el campo de permeabilidad compartido ($K$) se optimizan conjuntamente en un objetivo de espacio completo. En la realización de Tomografía de Impedancia Eléctrica (EIT) (KTC2023), el problema se trata como una tarea de imagen de diferencia de espacio reducido donde el modelo de electrodos completos (CEM) linealizado elimina las variables de estado, optimizando únicamente el contraste de conductividad.

2. Transferencia de GNN de Residuo Acoplado a la Física (PhyRes-GNN):

   • En cada interfaz de grueso a fino, un único operador de transferencia, $T_{\ell \to \ell+1}^{\omega}$, mapea la solución gruesa a una representación entrante para el siguiente nivel.
   • Este operador realiza conjuntamente una prolongación de estarcido fijo (usando pesos de interpolación deterministas) y una corrección de residuo acotada.
   • La corrección se realiza mediante una Red Neuronal de Grafos (GNN) con una capa final de inicialización cero. La GNN toma como entrada los campos prolongados, las coordenadas geométricas y un diagnóstico de gradiente de objetivo ($g_{phys}$) derivado del objetivo de la etapa de transferencia fija (residuo de la EDP y desajuste de observación).
   • Crucialmente, la GNN no aprende el operador físico; aprende una corrección acotada para la inicialización. Se ajusta por instancia utilizando únicamente las observaciones actuales y la física numérica, sin necesidad de preentrenamiento fuera de línea, datos de verdad emparejados o campos de referencia.

Contribuciones Clave

1. Marco Unificado de Física Fija: Los autores formulan una resolución DNF de un solo nivel donde los campos discretos de estado y coeficiente son variables entrenables directas que se actualizan conjuntamente mediante un objetivo físico prescrito, eliminando la necesidad de subresoluciones alternas.
2. Operador de Transferencia PhyRes-GNN: Un novedoso mecanismo de transferencia que combina el paso de mensajes de vecinos gruesos fijos con una corrección de residuo acotada de inicialización cero. Se ajusta de nuevo para cada instancia de inversión utilizando solo el objetivo de la etapa de transferencia, asegurando que no se requiera una verdad de referencia.
3. Validación a través de Física y Discretizaciones: El marco se valida en dos problemas distintos:
   • Inversión de Permeabilidad de Darcy: Utilizando campos manufacturados y datos realistas de reservorio de LUNDIsim.
   • Reconstrucción de EIT: Utilizando datos medidos de KTC2023 con un modelo CEM linealizado.

Resultados Experimentales
El artículo presenta tres hallazgos comparativos primarios:

• Inversión de Darcy (Precisión bajo pasos de rejilla fina iguales): En una rejilla final coincidente de $128^2$, la trayectoria multinivel ($64^2 \to 128^2$) logró errores de coeficiente y de estado aproximadamente 6.76$\times$ y 10.4$\times$ menores, respectivamente, que la optimización directa de un solo nivel, a pesar de que ambos recibieron el mismo número de actualizaciones de Adam en la rejilla fina. Esto demuestra que la trayectoria multinivel acorta la trayectoria de optimización efectiva.
• Ablación de Transferencia (LUNDIsim): Al comparar la interpolación bilineal determinista frente a la corrección PhyRes-GNN en una transferencia de $64^2 \to 128^2$, la corrección aprendida redujo la pérdida de la EDP en la rejilla fina inicial en 2.62$\times$ y el error final de permeabilidad en aproximadamente un 7%. La GNN proporcionó un mejor arranque en caliente (warm start) para la subsecuente optimización de la rejilla fina.
• Reconstrucción de EIT (KTC2023): El flujo completo de PhyRes-MDNF (coarse DNF $\to$ PhyRes-GNN transfer $\to$ mesh-unlocked refinement) logró un mIoU de Otsu medio de 0.623. Esto superó la reconstrucción oficial de CEM linealizado (0.603) y el DNF directo de un solo nivel (0.533). El método también demostró robustez a través de cuatro fantasmas diferentes sin el ajuste manual de los parámetros de regularización específicos del fantasma.

Significancia y Reivindicaciones
El artículo afirma que PhyRes-MDNF ofrece una generalización a nivel de marco a través de diferentes estructuras de coeficientes, la física gobernante, discretizaciones y geometrías de observación. La significancia radica en:

• Retención de la Física Confiable: El método evita los errores de aproximación de los sustitutos aprendidos y el sesgo espectral de las redes de coordenadas al mantener fijos los operadores numéricos discretos (diferencias finitas, elementos finitos, CEM).
• Sin Preentrenamiento Fuera de Línea: A diferencia de los operadores neuronales o los sustitutos aprendidos, el corrector de transferencia se ajusta por instancia sin conjuntos de datos fuera de línea o campos de referencia de verdad.
• Corrección de la Trayectoria de Optimización: La GNN actúa específicamente como un corrector de residuo para la inicialización entre niveles, mejorando la trayectoria de convergencia de la optimización de la rejilla fina subsiguiente, en lugar de reemplazar el resolvedor en sí.

Los autores son modestos en sus afirmaciones, señalando que los resultados demuestran la eficacia del marco cuando se reinstancia para diferentes problemas, más que la generalización de pesos específicos entrenados a través de las instancias. Reconocen que el actual PhyRes-GNN es un componente del flujo de inversión, no un modelo de reconstrucción independiente, y que la precisión final aún depende de la optimización de la rejilla fina subsiguiente.