A scale-covariant pre-solve screening algorithm for scalar finite-difference discretizations on positive nonuniform meshes

Resumen Técnico: Un Algoritmo de Cribado de Pre-Resolución Covariante de Escala para Discretizaciones de Diferencias Finitas Escalares

Planteamiento del Problema
La selección de una discretización de diferencias finitas no uniforme (malla y stencil) para problemas escalares en dominios positivos ($0 < x_0 < \dots < x_N$) ocurre típicamente antes de que se disponga de una solución de referencia. Las reglas de decisión existentes suelen basarse en métricas de consistencia local (p. ej., tamaños de paso, números de Péclet) o en un análisis de Fourier aditivo, las cuales están ligadas a la invarianza por traslación. Sin embargo, estas métricas no miden directamente cómo las filas no uniformas ensambladas transmiten componentes multiplicativos (oscilaciones de ley de potencia o log-periódicas) declarados por el problema. El desafío consiste en desarrollar una regla de decisión que utilice las filas ensambladas para rechazar discretizaciones inseguras antes de resolver, distinguiendo entre consistencia local y estabilidad global, sin confundir las geometrías aditivas con las multiplicativas.

Metodología
El artículo propone un algoritmo de cribado de pre-resolución covariante de escala que evalúa las filas ensambladas frente a caracteres multiplicativos declarados $x^z$. El flujo de trabajo se divide en una auditoría determinista y una rama de decisión calibrada por riesgo.

1. Auditoría de Mellin (Componente Determinista):

   • Respuesta Local: Para un exponente $z$ declarado, el algoritmo computa la respuesta de Mellin local de la fila $j$:
     $$m_{h,j}(z) = x_j^{-z} \sum_{k \in S_j} a_{jk} x_k^z = \sum_{k \in S_j} a_{jk} \exp\left(z \log \frac{x_k}{x_j}\right)$$
     donde $a_{jk}$ son pesos ensamblados y $S_j$ es el soporte de la fila.
   • Cálculo del Defecto: Compara esta respuesta discreta con la respuesta del operador continuo $m_j(z)$, formando un defecto $d_j(z) = m_{h,j}(z) - m_j(z)$.
   • Agregación: La auditoría agrega defectos normalizados, respuestas inversas, errores de fase y rugosidad espacial sobre un conjunto de exponentes de trabajo declarado $\Pi$. Estos forman un vector de diagnóstico $\mathbf{M}$.
   • Límites Teóricos: El método establece que, para operadores homogéneos, la respuesta normalizada es covariante de dilatación. Proporciona un límite sobre la diferencia entre esta sonda multiplicativa y una sonda de Fourier aditiva estándar, mostrando que coinciden de primer orden en el ancho de malla relativo pero divergen para pasos grandes.

2. Regla de Decisión Basada en Certificados:
   El algoritmo prioriza los certificados matemáticos rigurosos sobre las heurísticas empíricas:

   • Certificado Duro: Si la matriz discretizada es una matriz Z y existe un vector de barrera positivo constructivo $w_h$ (verificable sin resolver) tal que $A_h w_h \ge 1$, el método demuestra que la matriz es una matriz M no singular. Combinado con una representación de Mellin finita de la solución, esto produce un límite de error de norma máxima computable y riguroso.
   • Rama Empírica: Si no se puede verificar un certificado duro, el algoritmo recurre a una regla de rechazo/aplazamiento calibrada por riesgo. Esta rama utiliza modelos de aprendizaje automático (regresión logística, gradient boosting, bosques aleatorios) entrenados con características que combinan indicadores de malla convencionales ($\mathbf{B}$), características de la auditoría aditiva ($\mathbf{A}$) y características de la auditoría de Mellin ($\mathbf{M}$).
   • Calibración: El umbral de rechazo se determina mediante calibración de conformal dividido (split-conformal) sobre grupos disjuntos de parámetros físicos, asegurando un límite superior preespecificado en la probabilidad de rechazar erróneamente un candidato seguro (Tasa de Falsos Positivos) bajo la suposición de intercambiabilidad de puntuaciones.

Contribuciones Clave

• Diagnóstico Covariante de Escala: Introducción de una auditoría de pre-resolución basada en la correspondencia de Mellin–Fourier, diseñada específicamente para mallas no uniformes positivas donde la dilatación actúa como traslación en coordenadas logarítmicas.
• Separación Rigurosa de Ramas: Un flujo de trabajo que separa estrictamente la aceptación certificada determinista (vía teoría de matrices M) del rechazo empírico calibrado por riesgo. La rama empírica está explícitamente etiquetada como "aplazar" o "rechazar" en lugar de "seguro", a menos que exista un certificado duro.
• Garantías Teóricas:
  • Prueba de la covariancia de dilatación para operadores homogéneos.
  • Un teorema de certificación de red finita (Teorema 6) que limita el defecto sobre una banda de exponentes continua utilizando estimaciones de derivadas.
  • Una identidad de error modal exacta para mallas tensoriales logarítmicas uniformes (Teorema 7).
  • Un certificado de barrera constructivo para matrices M no singulares (Teorema 8).
• Análisis de Información Incremental: Una evaluación rigurosa que muestra que las características de Mellin proporcionan información incremental estadísticamente significativa para modelos de regresión logística y de gradient-boosting, particularmente para problemas con estructura de escala (familia de Euler), aunque a menudo son redundantes con controles aditivos fuertes para problemas dominados por capas.

Resultos
El método fue validado en 1,764 discretizaciones unidimensionales y 140 casos de producto tensorial a través de las familias de Euler, reacción-difusión y convección-difusión.

• Certificación: El certificado duro aceptó con éxito entre el 55% y el 60% de los casos verdaderamente seguros en escenarios de matriz M sin necesidad de resolver, con cero aceptaciones falsas de casos inseguros.
• Cribado Empírico:
  • Añadir características de Mellin a una línea base de gradient-boosting aumentó la tasa de rechazo de casos inseguros (Tasa de Verdaderos Positivos) del 76.9% al 80.5%, manteniendo una tasa de rechazo erróneo (Tasa de Falsos Positivos) del 1.6% (calibrada a un presupuesto del 3%).
  • Este rendimiento casi igualó a un estimador de diferencia de dos mallas post-resolución (80.7% de rechazo de inseguros), pero sin requerir una solución refinada.
  • La auditoría de Mellin mostró ventajas estructurales específicas para componentes de ley de potencia y log-periódicos, donde es exactamente covariante de dilatación.
• Pruebas de Estrés Externas:
  • Desplazamiento de Espectro: El algoritmo identificó correctamente que omitir un modo declarado conduce al fallo; solo recuperó el rendimiento cuando el nuevo modo era declarado explícitamente.
  • Proponente de Malla Aprendido: Cuando se aplicó a mallas generadas por un Operador de Red Neuronal de Fourier (FNO), la auditoría de pre-resolución (tras una calibración específica del generador) detectó con éxito fallos de escala poco comunes que el FNO pasó por alto, actuando como un centinela de alta especificidad.

Significado y Reivindicaciones
El artículo afirma modestamente que este método es un cribado sensible a la escala y basado en certificados para clases escalares específicas, no un estimador de error universal.

• No pretende reemplazar la generación de mallas adaptadas a capas ni la estimación de residuos.
• No pretende descubrir modos no declarados; el espectro de trabajo debe ser declarado a priori.
• La contribución principal es el flujo de trabajo algorítmico que combina una auditoría de escala covariante determinista con un proceso de decisión calibrado por riesgo.
• El método es particularmente valioso para escenarios donde no hay una solución de referencia disponible, ofreciendo una forma de certificar la seguridad o aplazar hacia el refinamiento con un riesgo cuantificado, aprovechando las propiedades geométricas de los caracteres multiplicativos en mallas positivas.