Tensor-Based Reduced-Order Modeling for Optimization-Based Inverse Problems

Resumen Técnico: Modelado de Orden Reducido Basado en Tensores para Problemas Inversos de Optimización

Planteamiento del Problema
Los problemas inversos gobernados por sistemas dinámicos dependientes de parámetros (EDP o EDO) requieren evaluaciones repetidas de un modelo de orden completo (FOM) de alta fidelidad para inferir parámetros desconocidos a partir de mediciones indirectas y ruidosas. Cuando la dimensión del parámetro es moderada o alta, o cuando el problema debe resolverse repetidamente para diferentes realizaciones de datos (como en aplicaciones de gemelos digitales), el costo computacional de las evaluaciones del modelo de orden completo (FOM) y del análisis de sensibilidad se vuelve prohibitivo. Las técnicas clásicas de modelado de orden reducido (ROM) suelen centrarse en acelerar las resoluciones directas (forward solves), pero tienen dificultades para abordar la naturaleza multidimensional del mapa parámetro-observación requerido para la optimización global, particularmente cuando los sustitutos locales carecen de la robustez necesaria para la optimización de múltiples inicios en paisajes no convexos.

Metodología
Los autores proponen un marco de Modelado de Orden Reducido Tensorial (TROM) que aproxima directamente el mapa parámetro-observación en el formato Tensor-Train (TT). A diferencia de los ROM tradicionales que reducen el espacio de estados, este enfoque comprime la dependencia conjunta de las observaciones sobre los parámetros.

1. Construcción Offline:

   • El dominio de los parámetros se discretiza en una rejilla, y las observaciones resultantes forman un tensor $T$ de alta dimensión.
   • TT-SVD: El tensor completo se ensambla y se comprime mediante la SVD truncada de sus matricizaciones. Esto proporciona un error de aproximación controlado, pero requiere acceso a todas las entradas del tensor, lo cual resulta inviable para dimensiones altas.
   • TT-Cross: Para evitar el ensamblaje del tensor completo, los autores emplean la interpolación TT-Cross combinada con el enriquecimiento AMEn (Energía Mínima Alternante). Este método muestrea de forma adaptativa un pequeño subconj conjunto de entradas del tensor para construir la representación comprimida, lo que hace que el método sea viable para dimensiones de parámetros más altas ($D \ge 6$).
   • Preprocesamiento: Para espacios de observación grandes, se aplica una reducción de dimensión preliminar (mediante SVD o codificadores no lineales) al vector de observación antes de la compresión TT, para reducir aún más los costos offline.

2. Inversión y Integración Online:
   El TROM se integra en una formulación de mínimos cuadrados no lineales regularizada ($\min_\alpha \frac{1}{2}\|f(\alpha) - y_{obs}\|^2 + \frac{\lambda}{2}\|\alpha - \alpha_{ref}\|^2$) de cuatro maneras específicas:

   • C1 (Aproximación Directa): El sustituto $\hat{f}$ reemplaza al FOM en la función objetivo.
   • C2 (Gauss-Newton de Coordenadas Reducidas): Al ortogonalizar el primer núcleo TT, el término de mínimos cuadrados se reformula en un espacio de coordenadas reducidas de dimensión $r_2$ (el rango TT de segundo orden). Esto permite el ensamblaje de las cantidades de Gauss-Newton (GN) ($J^T J$ y $J^T \eta$) directamente desde la estructura de bajo rango del tensor sin necesidad de formar el Jacobiano completo del espacio de observación.
   • C3 (Optimización Basada en Tensores): La función objetivo se minimiza directamente sobre la rejilla discreta de parámetros utilizando la representación TT. Esto puede servir como un resolvedor aproximado independiente o, de manera más efectiva, como una inicialización informada por datos para un proceso de resolución GN posterior.
   • C4 (Análisis de Robustez): El método tiene en cuenta tanto el ruido de la medición como el error de aproximación del TROM al seleccionar el parámetro de regularización mediante el principio de discrepancia.

Experimentos Numéricos
El marco se evalúa en dos problemas inversos distintos:

1. Transferencia de Calor Inversa: Un problema de EDP parabólica en un medio heterogéneo que involucra la recuperación de las ubicaciones y radios de inclusiones de baja conductividad. Se probaron dimensiones de parámetros de $D=3, 6, 9$.
2. Estimación de Parámetros de FitzHugh–Nagumo: Un sistema de EDO no lineal que modela la dinámica excitable. El paisaje de la función objetivo es altamente no convexo con múltiples mínimos locales, lo que lo hace sensible a la inicialización.

Resultados Clave

• Precisión y Eficiencia: Los sustitutos TROM (tanto TT-SVD como TT-Cross) reproducen el comportamiento de la inversión de orden completo con costos online sustancialmente reducidos. Para el problema de transferencia de calor, los tiempos de inversión online están en el orden de milisegundos, lo que representa aceleraciones de $10^3$ a $10^4$ en comparación con los métodos de Gauss-Newton basados en FOM.
• Escalabilidad: TT-Cross extiende con éxito el enfoque a $D=9$, un régimen donde el ensamblaje del tensor completo para TT-SVD es computacionalmente inviable.
• Robustez:
  • En el problema de transferencia de calor, el método permanece estable ante el ruido de la medición y variaciones en la discretización espacial.
  • En el problema de FitzHugh–Nagumo, el paso de optimización basada en tensores (C3) supera significamente a la inicialización aleatoria. Identifica un pozo de atracción cercano al mínimo global, mientras que los métodos GN estándar con inicios aleatorios frecuentemente convergen a mínimos locales falsos.
• Beneficios de la Integración Profunda: El uso de la formulación de coordenadas reducidas (C2) y la inicialización basada en tensores (C3) proporciona un factor de aceleración adicional de 4 a 8 sobre la inversión "simple" de TROM (donde el sustituto se utiliza solo para la evaluación directa y se usan diferencias finitas para los Jacobianos).

Significancia y Reivindicaciones
El artículo sostiene que la contribución principal radica en ir más allá del uso de los TROM meramente como sustitutos directos rápidos. En su lugar, los autores demuestran que la estructura de bajo rango del tensor puede explotarse a lo largo de toda la resolución inversa para:

1. Reformular el problema de optimización en coordenadas reducidas, desacoplando el costo online de la dimensión completa de la observación.
2. Ensamblar la información de sensibilidad (productos del Jacobiano) de manera eficiente sin la formación explícita del Jacobiano.
3. Proporcionar una estrategia de inicialización robusta e informada por datos que mitiga la sensibilidad de los resolvedores no lineales ante puntos de partida deficientes en paisajes no convexos.

Los autores concluyen que, si bien la construcción offline del sustituto TROM incurre en un costo computacional significativo (especialmente para dimensiones altas), las resoluciones inversas online resultantes son económicas, estables y robustas. Esto hace que el enfoque sea particularmente adecuado para aplicaciones que requieren inversiones repetidas, como los gemelos digitales, siempre que el costo offline pueda amortizarse. El método equilibra eficazmente el error de aproximación, el ruido de la medición y la regularización para producir reconstrucciones estables.