Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems

Résumé technique : Diagnostics résiduels séquentiels sensibles à la structure pour les problèmes inverses de type EDP

Énoncé du problème
En sciences et ingénierie computationnelles, les problèmes inverses consistent à inférer des paramètres de modèle à partir d'observations. Une étape critique, souvent négligée, consiste à évaluer si un modèle ajusté est adéquat pour la prédiction. La pratique standard repose sur des diagnostics de norme de résidu, tels que le principe de discrépance de Morozov ou des tests $\chi^2$ à échantillon fixe, qui vérifient si l'amplitude des résidus est cohérente avec le niveau de bruit supposé.

L'article soutient que ces diagnostics basés sur l'amplitude sont trompeurs dans les problèmes inverses d'EDP (équations aux dérivées partielles) de lissage. Dans de tels problèmes, des erreurs de modèle structurées (erreur de spécification) peuvent être atténuées par l'opérateur direct dans l'espace d'observation. Par conséquent, la norme du résidu peut rester en dessous des seuils de discrépance pratiques, alors même que des motifs de résidus cohérents et systématiques persistent. Cela conduit à l'acceptation de modèles ajustés qui produisent des paramètres biaisés et des quantités d'intérêt (QoI) matériellement erronées, malgré une apparence de « cohérence » avec le bruit.

Méthodologie
Les auteurs proposent un diagnostic séquentiel sensible à la structure basé sur les e-processus issus des statistiques de la théorie des jeux. La méthode fonctionne comme un diagnostic post-ajustement sur une estimation de paramètre fixe $\hat{\theta}$.

1. Portefeuille d'experts : La méthode emploie une « banque » d'experts, où chaque expert teste un motif de résidu spatial spécifique. Ces motifs sont tirés d'un dictionnaire de fonctions de base lisses et de basse fréquence (modes de Fourier et polynômes) pertinentes pour la géométrie de l'EDP.
2. Construction de l'e-processus : Chaque expert agit comme un pari de rapport de vraisemblance contre l'hypothèse nulle selon laquelle les résidus sont un bruit pur ($N(0, \sigma^2)$). Les experts sont combinés en un portefeuille universel (un mélange de rapports de vraisemblance).
3. Surveillance séquentielle : À mesure que les observations arrivent, la « richesse » du portefeuille (le rapport de vraisemblance agrégé) est mise à jour. Le diagnostic rejette le modèle ajusté si la richesse agrégée franchit un seuil prescrit ($1/\alpha$).
4. Contrôle de validité temporelle : En exploitant les propriétés des e-processus et l'inégalité de Ville, la méthode garantit un contrôle de l'erreur de type I valide en tout temps. Cela signifie que l'analyste peut inspecter le diagnostic de manière répétée, interrompre la collecte de données de manière précoce, ou continuer la collecte de données sur la base de preuves préliminaires sans gonfler le taux de faux positifs.
5. Attribution : En cas de rejet, la distribution de la richesse à travers le portefeuille d'experts attribue l'évidence à des motifs de résidus spatiaux spécifiques, offrant une orientation interprétable pour la correction du modèle.

Contributions clés
L'article apporte trois contributions principales :

1. Formulation : Il formule un e-processus de portefeuille pour la détection de motifs de résidus qui fournit des alertes précoces valides en tout temps pour un modèle ajusté fixe.
2. Attribution : Il démontre comment les poids du portefeuille fournissent une attribution interprétable aux motifs de résidus spatiaux, suggérant des corrections de suivi parcimonieuses.
3. Démonstration empirique : Il montre, à travers trois problèmes inverses d'EDP distincts, que les contrôles de discrépance standards peuvent accepter des modèles mal spécifiés présentant des résidus structurés de faible amplitude, menant à des QoI biaisées, tandis que la méthode proposée détecte ces défaillances plus tôt et avec une sensibilité structurelle.

Résultats expérimentaux
La méthode a été évaluée sur trois problèmes inverses :

• Diffusivité de Poisson 1D : Un problème synthétique contrôlé où les types de spécification erronée (par morceaux, bosse gaussienne, trois étapes, linéaire) ont été variés.
  • Résultat : Dans le cas « linéaire », l'erreur du modèle est sub-bruit ($\|\mu^*\| < \sigma$). Le contrôle de Morozov et les tests $\chi^2$ à échantillon fixe n'ont pas détecté l'erreur (ou ont nécessité l'ensemble du jeu de données), tandis que l'e-processus l'a détectée séquentiellement en utilisant seulement 9 % des données. Crucialement, le modèle accepté a produit des erreurs de QoI allant jusqu'à 15,3 % (prédiction ponctuelle) et 7,8 % (moyenne régionale).
• Écoulement de Stokes 2D (Traînée basale) : Un problème d'inférence de frontière mal posé où les erreurs de niveau de base sont lissées vers la surface.
  • Résultat : Un modèle mal spécifié ($K=3$ vs $K=4$ réel) a produit des résidus de surface cohérents avec le bruit (RMS/$\sigma \approx 1,35$). Morozov a accepté l'ajustement, mais l'e-processus a détecté l'insuffisance structurelle après seulement 10 % des observations. La traînée basale inférée était qualitativement erronée, déplaçant l'emplacement du minimum de traînée, critique pour la stabilité de la ligne de retrait.
• Icepack (Courant de glace glaciologique) : Un modèle de éléments finis communautaire utilisant l'approximation de l'étagère peu profonde (SSA).
  • Résultat : Similaire à Stokes, l'e-processus a détecté la spécification structurelle erronée ($K=3$ vs $K=4$) alors que Morozov acceptait l'ajustement. Le modèle accepté a entraîné une erreur de 36 % dans la prédiction du flux de glace au terminus.
• Réparation de modèle : Dans les expériences de Poisson, la distribution de la richesse a identifié avec succès les modes de résidus dominants. L'utilisation de ces modes principaux pour ajuster une correction de discrépance a réduit les erreurs de QoI d'environ 15 % à 3-4 %, égalant la performance d'une régression aveugle sur la base complète.

Signification et affirmations
L'article affirme que l'e-processus offre un flux de travail pratique pour la détection de la structure des résidus pendant l'acquisition de données, une capacité qui fait défaut aux tests standards par lots ou basés sur l'amplitude. Sa signification réside dans :

• Détection précoce : Il identifie la spécification erronée à partir d'une fraction des observations, souvent avant que l'amplitude du résidu ne devienne assez grande pour déclencher les contrôles standards.
• Interprétabilité : Contrairement au rejet « boîte noire », la distribution de la richesse identifie quels motifs spatiaux pilotent le manque d'ajustement, guidant la correction exploratoire du modèle.
• Robustesse : La méthode est efficace sur le plan computationnel (étape de post-traitement, $O(K)$ par observation) et ne nécessite aucune modification du solveur direct ni de réentraînement.
• Validité : Elle fournit un contrôle rigoureux de l'erreur de type I sous arrêt optionnel, ce qui la rend adaptée aux contextes où les diagnostics sont inspectés de manière répétée ou lorsque la collecte de données est adaptative.

Les auteurs notent des limites : la méthode suppose un $\hat{\theta}$ fixe (validité conditionnelle) et un niveau de bruit $\sigma$ connu. Bien qu'elle soit robuste à la surestimation du bruit, la sous-estimation rompt la garantie de validité. Le cadre est conçu pour des diagnostics post-ajustement sur des estimations ponctuelles, et non pour un réajustement complet des paramètres en ligne, ce qui nécessiterait des protections supplémentaires comme l'inférence universelle.