Online Spectral Deflation for State Constrained Optimal Control Problems

Cet article propose une stratégie de déflation spectrale en ligne qui accélère la résolution de problèmes de commande optimale dépendants des paramètres et soumis à des contraintes d'état en réutilisant une base propre unique sur tout le domaine pour préconditionner les solveurs de sous-espaces de Krylov sur des ensembles inactifs variables, atteignant ainsi des réductions significatives du nombre d'itérations et du temps de calcul sur divers benchmarks de PDE.

L'essentiel

Imaginez que vous essayez de maintenir une machine géante et complexe (comme un transformateur de puissance) à la température parfaite. Vous disposez d'un bouton de commande (le « contrôle ») que vous pouvez tourner pour ajouter ou retirer de la chaleur, mais vous avez une règle de sécurité stricte : aucune partie de la machine ne doit jamais dépasser une limite spécifique de température.

Il s'agit d'un problème de « contrôle optimal avec contraintes d'état ». Vous voulez que la machine se comporte parfaitement, mais vous devez respecter la limite de sécurité en chaque point.

Le Problème : La « Cible Mouvante »

Pour résoudre cela sur un ordinateur, la machine est décomposée en des millions de points minuscules (une grille). L'ordinateur essaie de trouver le réglage parfait pour le bouton de commande. Cependant, à cause de la limite de sécurité, certains points de la machine sont « verrouillés » à la température maximale (l'Ensemble Actif), tandis que d'autres sont libres de varier (l'Ensemble Inactif).

Voici le piège : alors que les conditions de fonctionnement changent (comme la métrique extérieure ou la charge sur le transformateur), le motif de quels points sont « verrouillés » et quels points sont « libres » change abruptement. C'est comme un jeu de chaises musicales où les chaises disparaissent et réapparaissent soudainement à différents endroits chaque fois que la musique s'arrête.

Parce que la zone « libre » change de manière sauvage, les équations mathématiques que l'ordinateur doit résoudre changent complètement à chaque fois.

• L'ancienne méthode : L'ordinateur essaie de construire une nouvelle carte personnalisée (un solveur) pour chaque scénario. C'est comme embaucher un nouvel architecte pour dessiner un nouveau plan à chaque fois que vous déplacez un meuble. C'est incroyablement lent et coûteux.
• Le goulot d'étranglement : Même si la physique sous-jacente de la machine ne change pas beaucoup, le fait que la zone « libre » se déplace sans cesse rend impossible la réutilisation des anciennes cartes.

La Solution : Le « Plan Directeur » (Déflation Spectrale)

Les auteurs proposent une astuce ingénieuse appelée Déflation Spectrale en Ligne. Au lieu de construire une nouvelle carte pour chaque scénario, on utilise un Plan Directeur.

1. Le Plan Directeur (Opérateur de Référence) : Imaginez que vous avez une carte parfaite et détaillée de l'intégralité de la machine lorsqu'elle est dans un état standard, « entièrement libre ». Vous analysez cette carte une seule fois pour trouver ses parties les plus « lentes » ou les plus « rigides » (ce sont les modes propres). Considérez cela comme les vibrations ou les motifs fondamentaux de la machine.
2. Le Raccourci : Lorsque vous devez résoudre un scénario spécifique où certaines parties sont verrouillées, vous ne jetez pas le Plan Directeur. Au lieu de cela, vous vous contentez de rogner le Plan Directeur pour qu'il s'adapte uniquement aux parties « libres » du scénario actuel.
3. La Magie : Même si la zone « libre » a changé, les motifs fondamentaux (les vibrations) du Plan Directeur correspondent toujours très bien à la situation actuelle. C'est comme avoir une clé maîtresse qui s'adapte à presque toutes les serrures d'un bâtiment, même si les serrures sont légèrement différentes. Il suffit de tailler un peu la clé pour qu'elle s'adapte à la serrure spécifique à laquelle vous faites face en ce moment.

Comment cela fonctionne en pratique

• L'étape de « Déflation » : L'ordinateur utilise ces motifs rognés pour « déflater » le problème. Il dit : « Nous savons déjà comment gérer ces parties difficiles et lentes grâce à notre Plan Directeur, alors résolvons-les d'abord et ignorons-les. » Cela laisse l'ordinateur ne résoudre que les parties faciles et rapides.
• Le Résultat : L'ordinateur résout le problème 55 % à 98 % plus vite en termes d'étapes de calcul.

L'avantage Matériel (GPU vs CPU)

L'article a également testé cette méthode sur des cartes graphiques modernes (GPU) par rapport aux processeurs traditionnels (CPU).

• L'approche CPU : Comme une équipe de comptables qui sont très doués en mathématiques, mais qui doivent s'arrêter et recalculer l'intégralité de leur système de classement chaque fois qu'un nouveau document arrive.
• L'approche GPU : Comme une armée massive de robots capables de traiter des milliers de calculs simples simultanément. Parce que le « Plan Directeur » est construit une seule fois et qu'ensuite il est simplement « taillé » pour chaque nouveau problème, les robots peuvent travailler incroyablement vite.
• Le Résultat : Sur le GPU, cette méthode est des centaines de fois plus rapide que les méthodes CPU traditionnelles pour les problèmes de grande envergure.

Pourquoi ce n'est pas du « Jugement »

Il est important de noter que cette méthode n'utilise pas l'IA ou l'apprentissage automatique pour deviner la réponse. Elle ne remplace pas les calculs de haute précision par un raccourci.

• Elle résout toujours les mêmes équations difficiles.
• Elle obtient exactement le même résultat précis.
• Elle trouve simplement un moyen beaucoup plus rapide d'y parvenir en réutilisant une carte de « référence » qui est mathématiquement prouvée comme étant utile, même lorsque le problème change.

Résumé

Voyez cela de cette façon : si vous devez naviguer dans une ville où les routes se ferment et s'ouvrent aléatoirement chaque jour, un conducteur normal (l'ancienne méthode) s'arrêterait pour dessiner une nouvelle carte à chaque fois. Cette nouvelle méthode dit : « Gardons une carte maîtresse de toute la ville. Quand les routes se ferment, nous replions simplement la carte pour ne montrer que les routes ouvertes. Nous savons que les autoroutes principales (les motifs) sont toujours là, donc nous pouvons conduire beaucoup plus vite sans nous perdre. »

Cela permet aux ingénieurs d'exécuter des simulations de sécurité complexes pour les réseaux électriques et d'autres systèmes critiques beaucoup plus rapidement, sans sacrifier la précision.

Résumé technique

Résumé technique : Déflation spectrale en ligne pour les problèmes de contrôle optimal sous contraintes d'état

1. Énoncé du problème

L'article traite des problèmes de contrôle optimal avec contraintes de PDE paramétriques présentant des contraintes d'état ponctuelles. Une application représentative est la gestion thermique de composants énergétiques de grande taille (ex. : transformateurs de puissance), où une source de chaleur distribuée $u$ doit diriger un champ de température $y$ vers un profil souhaité $y_d$ tout en respectant une limite de sécurité $\psi$.

Le défi computationnel central surgit dans le cadre de requêtes multiples (études de conception, jumeaux numériques, quantification de l'incertitude), où le même problème d'optimisation contraint doit être résolu de manière répétée pour des paramètres $\theta$ variables (ex. : conditions de fonctionnement, propriétés des matériaux).

L'obstacle de la volatilité de l'ensemble actif

Les contraintes d'état sont généralement imposées via une stratégie de Primal Active-Set (PAS). À chaque itération, le domaine est partitionné en :

• Ensemble Actif ($\mathcal{A}$) : Où la contrainte d'état est active ($y = \psi$).
• Ensemble Inactif ($\mathcal{I}$) : Où l'état est libre ($y < \psi$).

Après élimination du contrôle et des variables adjointes, le problème se réduit à la résolution d'un système de Schur-complément restreint à l'ensemble inactif :
$$M_{\mathcal{I}\mathcal{I}}(\theta) \mathbf{y}_{\mathcal{I}} = \mathbf{b}_{\mathcal{I}}$$
Ce système est Symétrique Positif Défini (SPD). Cependant, à mesure que le paramètre $\theta$ change, la partition actif/inactif change de manière non lisse (discontinue). Par conséquent, l'opérateur restreint $M_{\mathcal{I}\mathcal{I}}$ varie en :

1. Dimension (taille de l'ensemble inactif).
2. Structure de parcimonie (sparsity pattern).
3. Spectre.

Cette volatilité rend les stratégies de réutilisation standard inefficaces :

• Les factorisations directes creuses doivent être reconstruites pour chaque instance.
• Les hiérarchies de Multigrid Algébrique (AMG) nécessitent une reconstruction.
• Le recyclage de Krylov d'une instance à l'autre échoue car l'information spectrale d'un système restreint précédent ne se transfère pas nécessairement au système suivant en raison du changement abrupt de la structure de l'opérateur.

2. Méthodologie : Déflation spectrale réutilisable

Les auteurs proposent une stratégie qui évite de recycler l'information spectrale entre les systèmes restreints consécutifs. Au lieu de cela, ils ancrent l'information réutilisable à un unique complément de Schur de référence sur tout le domaine ($M_{\text{ref}}$).

Algorithme central (A-DEF2)

La méthode utilise l'algorithme A-DEF2 deflated Conjugate Gradient (CG) :

1. Construction de la base de référence : Calculer une seule fois (hors ligne) les $r_{\text{pool}}$ paires valeurs propres/vecteurs propres $(\lambda_j, \phi_j)$ les plus petites de l'opérateur de référence fixe $M_{\text{ref}} = \alpha A(\theta_{\text{ref}})^\top A(\theta_{\text{ref}}) + I$.
2. Restriction en ligne : Pour une nouvelle instance de paramètre $\theta$ avec un ensemble inactif $\mathcal{I}$, restreindre les modes propres précalculés à $\mathcal{I}$ : $\phi_j|_{\mathcal{I}}$.
3. Orthonormalisation : Appliquer une factorisation QR aux vecteurs restreints pour former la base de déflation $Z$.
4. Résolution déflatée : Utiliser $Z$ comme base de déflation dans l'algorithme A-DEF2. Cela implique une étape de correction grossière suivie d'un CG préconditionné sur l'opérateur projeté $P^\top M_{\mathcal{I}\mathcal{I}} P$, où $P$ est le projecteur $M_{\mathcal{I}\mathcal{I}}$-orthogonal.

Variantes de construction de base

Pour gérer différents régimes et réduire les coûts, l'article introduit plusieurs améliorations :

• Ré-sélection de Rayleigh–Ritz : Une étape optionnelle où, après restriction, un petit problème propre dense est résolu sur le pool de candidats pour sélectionner les meilleurs $r_{\text{defl}}$ vecteurs. Cela stabilise la base dans les régimes fragiles (ex. : Laplacien 2D de rang élevé) où la simple restriction mène à un mauvais conditionnement.
• Enrichissement par POD : Enrichissement en ligne utilisant des instantanés (snapshots) de la Décomposition en Modes Principaux (POD) issus d'instances résolues précédemment. Ceux-ci sont fusionnés avec les modes propres de référence via une orthogonalisation QR, sous réserve de garde-fous de conditionnement.
• Prolongation sur grille grossière : Pour éviter le coût élevé du calcul des modes propres sur grille fine, les modes propres sont calculés sur une grille plus grossière et prolongés vers la grille fine via une interpolation multilinéaire. Cela réduit le coût de l'éigensolve hors ligne par un facteur $c^d$ (où $c$ est le facteur de grossissement).
• Modes propres analytiques : Pour les grilles de produit tensoriel avec des références de Laplacien à coefficients constants, les modes propres sont disponibles sous forme fermée (produits de Kronecker de vecteurs sinus), réduissant le calcul hors ligne à des temps inférieurs à la seconde.

Garde-fous de conditionnement

La méthode inclut deux seuils pour assurer la stabilité :

• $\tau_{\text{safe}}$ (Construction) : Arrête l'enrichissement des modes POD si le nombre de condition du matrice de Gram grossière dépasse une limite conservatrice ($10^4$).
• $\tau_{\text{cond}}$ (Temps de résolution) : Si le nombre de condition du système grossier au moment de la résolution dépasse une limite plus élevée ($10^{10}$), le solveur revient à un CG préconditionné par Jacobi.

3. Rationale théorique : Cohérence spectrale

L'efficacité de la méthode repose sur un phénomène de cohérence spectrale. Bien que l'opérateur restreint $M_{\mathcal{I}\mathcal{I}}$ change de dimension et de spectre, son sous-espace de basse fréquence reste aligné avec le sous-espace de basse fréquence de l'opérateur de référence complet $M_{\text{ref}}$.

• Ceci est motivé par l'interlacement de Cauchy (pour les sous-matrices principales) et le théorème sin $\Theta$ de Davis–Kahan (pour la perturbation des sous-espaces propres).
• Des diagnostics empiriques (angles principaux) montrent que bien que les angles les plus défavorables entre sous-espaces puissent atteindre $90^\circ$, les angles pour les principaux modes de déflation (ex. : les 20 premiers) restent faibles (ex. : $< 8,4^\circ$), garantissant l'efficacité de la base de déflation.

4. Contributions clés

1. Stratégie de déflation spectrale réutilisable : Une méthode pour les résolutions répétées d'ensembles inactifs qui ancre la base à un opérateur de référence sur tout le domaine plutôt que de recycler entre les instances restreintes.
2. Perspective de l'opérateur de référence : Un cadre où les modes propres de bas niveau d'un complément de Schur sur tout le domaine sont restreints en ligne aux ensembles inactifs dépendants des paramètres.
3. Interprétation par la cohérence spectrale : Une explication de l'efficacité de la méthode basée sur la structure de sous-matrice principale et la perturbation de sous-espace, validée par des diagnostics d'angles principaux.
4. Construction pratique de base : Développement de variantes incluant la prolongation sur grille grossière, les modes analytiques, l'enrichissement POD, et la stabilisation de Ritz, avec des garde-fous explicites de conditionnement.

5. Résultats numériques

La méthode a été évaluée sur 15 configurations de référence (diffusion, convection-diffusion, thermique non linéaire, transfert de chaleur conjugué) en 2D et 3D, ainsi qu'une extension espace-temps.

Réduction d'itérations

• État stationnaire : La déflation a réduit les itérations du CG de 55 à 98 % par rapport au CG préconditionné par Jacobi "à froid".
  • Les configurations 3D ont montré des réductions de 60 à 92 % pour un rang $r=500$.
  • Les configurations 2D ont nécessité la re-sélection de Ritz ou la fusion POD pour atteindre une réduction de 86 à 98 % en raison de problèmes de conditionnement à des rangs élevés.
• Espace-Temps : Pour les problèmes paraboliques, une base temporelle de Kronecker a obtenu une réduction d'itérations de 56 à 85 %, tandis que les bases constantes dans le temps n'ont pas réussi à capturer la dynamique temporelle.

Performance de temps de mur (GPU vs CPU)

• Matériel : GPU (NVIDIA H200/H100) vs CPU (Intel Xeon/Azure).
• Accélération :
  • 3D : Le CG déflaté sur GPU était 591 à 973 fois plus rapide par instance que les solveurs directs creux sur CPU pour des grilles de $50^3$ (125K DOF).
  • Comparaison avec AMG : Malgré le fait que l'AMG nécessite moins d'itérations, le CG déflaté sur GPU était 13 à 18 fois plus rapide que l'AMG-RS sur CPU en raison du coût par itération plus faible sur GPU et du fait que les hiérarchies AMG doivent être reconstruites pour chaque instance, alors que la base de déflation est réutilisée.
• Amortissement :
  • Avec les éigensolves sur grille fine, le coût hors ligne domine pour les petits lots (batches) d'instances.
  • Avec la prolongation sur grille grossière ou les modes analytiques, le coût hors ligne est drastiquement réduit.
  • Point d'équilibre : Avec les méthodes de grille grossière, l'accélération amortie par rapport aux solveurs directs CPU est réalisée en 4 à 32 instances (selon la dimension et le grossissement). Avec les modes analytiques pour les grilles de produit tensoriel, le point d'équilibre est atteint dès la première instance.

Précision

Toutes les résolutions déflatées correspondaient à la solution directe creuse sur CPU selon la tolérance de Krylov prescrite ($10^{-10}$), avec des erreurs d'état relatives comparables au CG "à froid" (médianes $\sim 10^{-10}$). Les accélérations ne sont pas dues à un relâchement de la précision.

6. Signification et affirmations

L'article affirme que cette approche fournit une mesure d'accélération indépendante du matériel (réduction d'itérations) et des gains substantiels de temps de mur dans les déploiements GPU.

• Complémentarité : La méthode accélère l'algèbre linéaire haute fidélité répétée sans remplacer la résolution du contrôle optimal par un substitut (contrairement à la modélisation d'ordre réduit ou aux DeepONets). Elle préserve le système d'optimalité discrétisé contraint.
• Robustesse : Elle est robuste aux changements combinatoires induits par les mises à jour de l'ensemble actif, un scénario où le recyclage de Krylov standard échoue.
• Scalabilité : La méthode se prête bien à l'exécution sur GPU, utilisant des produits matrice-vecteur creux et de petits calculs denses de niveau grossier.
• Limites : La cohérence spectrale est validée empiriquement mais n'est pas formellement prouvée pour tous les régimes. La méthode est actuellement limitée aux grilles structurées pour les modes analytiques et repose sur l'assemblage explicite du complément de Schur, limitant les tailles de grille testées à $\sim 125\,000$ DOF (stationnaire) et $\sim 540\,000$ DOF (espace-temps). Passer au-delà de $10^6$ DOF nécessiterait des éigensolvers sans matrice (matrix-free).

Les auteurs concluent qu'en ancrant la base de déflation à un opérateur de référence stable, ils peuvent résoudre efficacement des problèmes de contrôle optimal sous contraintes d'état à travers de nombreuses instances de paramètres, surmontant la volatilité des changements d'ensembles actifs qui entravent habituellement les solveurs de réutilisation.