Tensor-based empirical interpolation method and its application in model reduction

Riepilogo Tecnico: Metodo di Interpolazione Empirica Basato su Tensori e la sua Applicazione nella Riduzione di Modello

Enunciato del Problema
La Riduzione dell'Ordine del Modello (MOR) è essenziale per la simulazione di sistemi dinamici su larga scala, in particolare quelli governati da equazioni alle derivate parziali (PDE) non lineari. Sebbene tecniche come la Decomposizione Ortogonale Propria (POD) combinate con la proiezione di Galerkin riducano efficacemente i sistemi lineari e bilineari, i termini non lineari spesso mantengono una dipendenza dalla dimensione del modello di ordine completo (FOM). Per affrontare questo problema, sono stati sviluppati il Metodo di Interpolazione Empirica Discreta (DEIM) e il suo predecessore, il Metodo di Interpolazione Empirica (EIM), per approssimare i termini non lineari utilizzando un piccolo insieme di punti di interpolazione.

Tuttavia, esiste una limitazione significativa quando la non linearità è una funzione a valori matriciali (ad esempio, derivante da PDE 3D discretizzate). Gli approcci convenzionali richiedono la vettorizzazione della matrice in un vettore ad alta dimensionalità prima di applicare il DEIM. Questa vettorizzazione è computazionalmente inefficiente per matrici di grandi dimensioni, aumentando sia i costi computazionali offline che online. Sebbene alcuni ricercatori abbiano tentato estensioni basate su matrici, è mancato un quadro teorico rigoroso che spieghi il funzionamento, i limiti e la struttura ottimale di tali metodi.

Metodologia
Gli autori propongono il Metodo di Interpolazione Empirica Basato su Tensori (TEIM), un'estensione dell'EIM progettata specificamente per approssimare funzioni a valori matriciali senza trasformarle in forma vettoriale. La metodologia procede attraverso i seguenti passaggi:

1. Costruzione della Base POD Tensoriale: Invece della standard POD vettoriale, il metodo impiega la Decomposizione ai Valori Singolari di Ordine Superiore (HOSVD) per generare una base tensoriale (un insieme di matrici di rango uno $u_i \otimes v_j$) che spanna lo spazio delle soluzioni. Questo evita il sovraccarico computazionale della vettorizzazione di grandi matrici.
2. Selezione dei Punti di Interpolazione (Algoritmo TEIM): Il documento introduce un algoritmo modificato per selezionare i punti di interpolazione. A differenza del DEIM standard, che seleziona i punti arbitrariamente su una griglia, l'algoritmo TEIM seleziona gli indici in modo annidato e strutturato.
3. Struttura a Griglia Rettangolare: Una scoperta teorica critica è che per le basi tensoriali (o basi di matrici di rango uno), l'algoritmo TEIM seleziona intrinsecamente punti di interpolazione che formano una griglia rettangolare. Nello specifico, se sono richiesti $m_1 m_2$ punti, l'algoritmo seleziona $m_1$ righe e $m_2$ colonne, selezionando tutte le intersezioni.
4. Equivalenza al 2D-DEIM: Gli autori dimostrano matematicamente che il metodo TEIM è equivalente all'applicazione dell'algoritmo DEIM standard indipendentemente alle matrici di base delle righe e delle colonne (un approccio DEIM "a due lati"). Ciò permette di decomporre l'operatore di mascheramento in due operatori più piccoli ($P_3$ e $P_4$) invece di un unico operatore grande che agisce sulla matrice vettorizzata.
5. Formula di Approssimazione Efficiente: L'approssimazione finale della funzione matriciale $\tilde{A}(t)$ è derivata in una forma di prodotto matriciale:
   $$\tilde{A}(t) = U_1(P_5 U_1)^{-1} (P_5 A(t) P_6^T) (U_2(P_6 U_2)^{-1})^T$$
   dove $P_5$ e $P_6$ sono gli operatori di mascheramento derivati rispettivamente dalle basi delle righe e delle colonne. Questa formulazione evita completamente la vettorizzazione durante la fase online.

Contributi Chiave

• Quadro Teorico: Il documento stabilisce una fondazione teorica necessaria per l'interpolazione basata su tensori, dimostrando l'equivalenza tra il TEIM proposto e l'applicazione del DEIM in ciascuna direzione.
• Caratterizzazione della Griglia Rettangolare: Gli autori dimostrano che i metodi di interpolazione basati su tensori che si affidano a basi di rango uno selezionano inevitabilmente punti di interpolazione su una griglia rettangolare. Ciò identifica una limitazione strutturale fondamentale di tali approcci.
• Efficienza Computazionale: Sfruttando la struttura della griglia rettangolare, il metodo riduce la complessità computazionale online. Per una matrice di dimensioni $n_1 \times n_2$ con $m_1$ righe e $m_2$ colonne selezionate, la complessità è $O(n_1 n_2 m_2 + n_1 m_1 m_2)$ (o simile a seconda dell'ordine di valutazione), che è significativamente inferiore alla complessità $O(n_1 n_2 m_1 m_2)$ degli approcci DEIM vettorizzati.
• Implementazione Algoritmica: Il documento fornisce un algoritmo specifico (Algoritmo 1) per selezionare l'insieme annidato di punti di interpolazione che garantisce l'invertibilità dell'operatore di mascheramento.

Risultati ed Esperimenti Numerici
Gli autori validano il metodo attraverso due applicazioni principali:

1. Approssimazione di Funzioni a Valori Matriciali:

   • Esempio 1: Una funzione 2D non lineare parametrizzata. I risultati mostrano che quando la base POD tensoriale fornisce uno spazio di approssimazione migliore rispetto alla base POD vettoriale standard, il TEIM raggiunge errori di approssimazione inferiori rispetto al DEIM.
   • Esempio 2: Una funzione dipendente dal tempo in cui la base POD standard supera la base tensoriale. In questo caso, il DEIM produce una maggiore accuratezza. Ciò evidenzia che la scelta tra TEIM e DEIM dipende da quale base (tensoriale vs vettoriale) cattura meglio la dinamica del sistema.
   • Tempo di Esecuzione: Il TEIM dimostra costantemente un tempo medio di CPU inferiore rispetto al DEIM, anche quando l'accuratezza è comparabile.

2. Riduzione di Modello di Equazioni Differenziali Matriciali Semi-Lineari:

   • Il metodo è stato applicato all'equazione di Allen-Cahn 2D. Il modello di ordine ridotto (ROM) è stato costruito utilizzando la POD tensoriale per lo stato e il TEIM per il termine non lineare.
   • Accuratezza vs Efficienza: Nel caso specifico dell'equazione di Allen-Cahn testata, l'approccio standard POD-DEIM (basato su vettori) ha fornito un'accuratezza leggermente superiore rispetto all'approccio TEIM. Tuttavia, l'approccio TEIM ha richiesto meno risorse computazionali.
   • Equazioni Differenziali Vettoriali: Quando l'equazione matriciale è stata convertita in forma vettoriale e ridotta utilizzando il TEIM per la non linearità, i risultati sono stati comparabili al POD-DEIM, con la scelta del metodo che dipende nuovamente da quale base offra uno spazio di approssimazione superiore.

Significato e Affermazioni
Il documento afferma che il metodo TEIM offre un'alternativa computazionalmente efficiente alla vettorizzazione di funzioni a valori matriciali per la riduzione di modello. Il suo significato principale risiede in:

• Riduzione del Carico Computazionale: Riduce significativamente i tempi di calcolo sia offline che online evitando la vettorizzazione di grandi matrici.
• Insight Strutturale: Chiarisce che l'interpolazione basata su tensori è strutturalmente vincolata a griglie rettangolari, il che semplifica l'implementazione a un approccio DEIM a due lati.
• Applicabilità Contestuale: Gli autori notano con modestia che, sebbene il TEIM sia più efficiente, la sua accuratezza rispetto al DEIM è contingente al problema. Se la dinamica del sistema è meglio catturata da una base tensoriale (come nell'Esempio 1), il TEIM è superiore sia in accuratezza che in velocità. Se il sistema è meglio catturato da una base vettoriale standard (come nell'esempio di Allen-Cahn), il DEIM può produrre un'accuratezza superiore, sebbene il TEIM rimanga un'alternativa valida e più rapida con un compromesso minore in precisione.

Il lavoro conclude che, sebbene lo studio si concentri su funzioni a valori matriciali, il quadro teorico è estendibile a funzioni a valori tensoriali di ordine superiore.