Sintesi Tecnica: Modelli a Ordine Ridotto Interpretabili e Flessibili tramite Spazi di Hilbert Riproducenti con Kernel

Definizione del Problema

Le simulazioni numeriche su larga scala, spesso riferite come Modelli a Ordine Completo (Full-Order Models, FOM), sono essenziali per la progettazione ingegneristica ma sono frequentemente proibitive dal punto di vista computazionale per compiti che richiedono un numero elevato di query, come la quantificazione dell'incertezza e l'ottimizzazione del design. Le tecniche di riduzione del modello mirano a costruire Modelli a Ordine Ridotto (Reduced-Order Models, ROM) a bassa dimensionalità che approssimino la dinamica dei FOM in modo efficiente.

Sebbene i classici ROM basati sulla proiezione (ad esempio, la Decomposizione Propriamente Ortogonale, POD) siano rigorosi e spesso dotati di limiti di errore, essi richiedono un accesso "intrusivo" al codice FOM per proiettare le equazioni governanti, il che è spesso impossibile con software legacy o commerciali. Le alternative non intrusive, come l'Inferenza di Operatore (Operator Inference, OpInf) e gli approcci basati su reti neurali (NN), apprendono la dinamica dai dati di snapshot senza accedere al codice FOM. Tuttavia, questi metodi affrontano dei compromessi:

• OpInf produce ROM interpretabili e strutturati (ad esempio, polinomiali), ma si basa sulla regressione dei minimi quadrati per spazi di funzioni specifici e manca di limiti di errore a posteriori rigorosi e computabili.
• Gli approcci a Reti Neurali (NN) offrono flessibilità ma spesso risultano in modelli "black-box" che mancano di interpretabilità e struttura fisica.
• La Identificazione della Dinamica nello Spazio Latente (LaSDI) tenta un approccio ibrido ma fatica a preservare la struttura intrinseca del FOM quando utilizza autoencoder.

Esiste la necessità di un framework non intrusivo che sia interpretabile (rispecchiando la struttura del FOM), flessibile (gestendo strutture sconosciute o parziali) e capace di fornire limiti di errore computabili.

Metodologia

Gli autori propongono i "Kernel ROM", un framework non intrusivo che utilizza l'interpolazione kernel regolarizzata all'interno di uno Spazio di Hilbert Riproducente (RKHS) per apprendere la dinamica a ordine ridotto.

1. Riduzione della Dimensione e Preparazione dei Dati

Il metodo inizia proiettando i dati di snapshot del FOM su uno spazio latente a bassa dimensionalità utilizzando o:

• Sottospazi Lineari: Tramite la Decomposizione Propriamente Ortogonale (POD).
• Varietà Quadratiche (Quadratic Manifolds, QM): Utilizzando un approccio greedy-ottimale per catturare la curvatura nei dati, definita da una mappa di decompressione $g(\tilde{q}) = \bar{q} + V\tilde{q} + W[\tilde{q} \otimes \tilde{q}]$.
  Lo stato ridotto $\hat{q}(t)$ e la sua derivata temporale $\dot{\hat{q}}(t)$ (approssimata tramite differenze finite o derivate del FOM proiettate) fungono da coppie di dati di addestramento $(\hat{q}, \dot{\hat{q}})$.

2. Interpolazione Kernel per l'Apprendimento della Dinamica

Inveve di risolvere una regressione dei minimi quadrati per i coefficienti polinomiali (come in OpInf), il metodo cerca una funzione $\hat{f}$ in un RKHS $\mathcal{H}_K$ definito dall'utente che minimizzi il residuo tra le derivate temporali predette e osservate, regolarizzato dalla norma RKHS:
$$\hat{f} = \arg \min_{s \in \mathcal{H}_K} \sum \|\dot{\hat{q}} - s(\hat{q})\|_2^2 + \gamma \|s\|_{\mathcal{H}_K}^2$$
In virtù del Teorema del Rappresentante, la soluzione assume la forma $\hat{f}(\hat{q}) = \Omega^T K(\hat{Q}, \hat{q})$, dove $\Omega$ è una matrice di coefficienti derivata dai dati di addestramento e dalla matrice kernel.

3. Design del Kernel per Struttura e Flessibilità

L'innovazione centrale risiede nella selezione del kernel $K$ per controllare la struttura del ROM:

• Kernel di Mappa di Caratteristiche (Interpretabili): Se la struttura del FOM è nota (ad esempio, lineare-quadratica), viene scelta una mappa di caratteristiche $\phi$ per indurre un kernel $K(x, x') = \phi(x)^T G \phi(x')$. Questo forza il ROM appreso a condividere l'esatta struttura algebrica del ROM intrusivo basato sulla proiezione (ad esempio, preservando i termini polinomiali), garantendo l'interpretabilità senza la necessità di operatori FOM.
• Kernel Radial Basis Function (RBF) (Flessibili): Se la struttura è sconosciuta, vengono utilizzati kernel RBF generici per modellare non linearità arbitrarie.
• Approccio Ibrido: Una somma di un kernel di mappa di caratteristiche e di un kernel RBF consente al modello di catturare le strutture dominanti note, utilizzando il termine RBF come "chiusura" per le non linearità sconosciute o complesse. Ciò bilancia l'efficienza computazionale (le mappe di caratteristiche sono indipendenti dalla dimensione del set di addestramento) con la flessibilità.

4. Analisi dell'Errore

Il documento deriva un limite di errore a posteriori computabile (Teorema 5.1) che combina le stime standard dell'errore del ROM intrusivo con i limiti di errore dell'interpolazione kernel (specificamente il limite della funzione di potenza). Questo limite mette in relazione la soluzione FOM, la soluzione del ROM intrusivo e la soluzione del Kernel ROM, fornendo una garanzia teorica sulla qualità dell'approssimazione.

Contributi Chiave

1. ROM Non Intrusivi e Interpretabili: Il framework costruisce ROM che rispecchiano esplicitamente la struttura dei modelli basati sulla proiezione intrusiva (ad esempio, lineari, quadratici, quartici) utilizzando kernel di mappe di caratteristiche, superando la natura "black-box" delle reti neurali e i limiti strutturali della standard OpInf.
2. Flessibilità tramite Kernel Ibridi: Il metodo introduce una strategia di kernel ibrida che combina i priori strutturali (mappe di caratteristiche) con approssimatori non lineari generici (RBF), incorporando efficacementamente termini di chiusura per dinamiche sconosciute.
3. Limiti di Errore Computabili: Gli autori derivano un rigoroso limite di errore a posteriori per i Kernel ROM non intrusivi, una caratteristica ampiamente assente nella letteratura esistente sui metodi non intrusivi. Questo limite fornisce anche una nuova stima dell'errore per i ROM a Varietà Quadratiche (QM) intrusivi.
4. Framework Unificato: L'approccio unifica la riduzione della dimensione lineare (POD) e non lineare (QM) sotto un unico paradigma di interpolazione kernel.

Risultati Numerici

Il metodo è stato validato su tre esperimenti numerici:

1. Equazione di Advezione-Diffusione 1D (Lineare):

   • I Kernel ROM (sia Feature Map che Hybrid) hanno eguagliato le prestazioni dei ROM basati sulla proiezione intrusiva e di OpInf.
   • I limiti di errore calcolati hanno racchiuso con successo l'errore reale senza una significativa sovrastima.
   • L'analisi ha dimostrato che il termine di "chiusura" (RBF) nei modelli ibridi poteva essere trascurabile quando la mappa di caratteristiche era ottimale, ma significativo quando il modello era disallineato.

2. Equazione di Burgers Viscosa 1D (Non Lineare):

   • Per problemi dominati dall'advezione con gradienti ripidi, i Kernel ROM hanno mostrato prestazioni comparabili a OpInf e agli errori di proiezione.
   • I ROM a Varietà Quadratiche (QM) hanno mostrato rendimenti decrescenti rispetto al POD in questo specifico contesto non intrusivo, probabilmente a causa della difficoltà di stabilizzare i ROM QM senza accesso intrusivo.
   • Anche in questo caso, i limiti di errore sono stati validi, suggerendo che grandi contributi di errore dal termine del kernel ($\alpha_K$) potevano indicare una scelta subottimale della mappa di caratteristiche.

3. Problema di Euler–Riemann 2D (Leggi di Conservazione Iperboliche):

   • Questo problema impegnativo coinvolgeva discontinuità e un decadimento lento dei valori singolari.
   • I Kernel ROM (Feature Map, RBF e Hybrid) hanno raggiunto errori entro pochi punti percentuali dell'errore di proiezione.
   • I ROM QM hanno richiesto parametri di regolarizzazione molto grandi per rimanere stabili, e le loro prestazioni non hanno superato significativamente quelle del POD, evidenziando le sfide nell'applicare QM a flussi altamente discontinui in un contesto non intrusivo.

Significato e Rivendicazioni

Il documento afferma che i Kernel ROM offrono un nuovo framework interamente guidato dai dati che riesce a colmare il divario tra l'interpretabilità dei metodi basati sulla proiezione e la flessibilità dell'apprendimento basato sui dati. Sfruttando le proprietà matematiche di un RKHS, l'approccio:

• Preserva la Fisica: Permette agli utenti di iniettare strutture fisiche note (ad esempio, leggi di conservazione, forme polinomiali) direttamente nel ROM tramite mappe di caratteristiche.
• Quantifica l'Incertezza: Fornisce un meccanismo teorico per la stima dell'errore, fondamentale per la certificazione nelle applicazioni ingegneristiche.
• Si Adatta alla Complessità: L'approccio ibrido offre una soluzione pratica per problemi in cui la dinamica governante è solo parzialmente compresa, usando la componente RBF per modellare la fisica non risolta.

Gli autori concludono che, sebbene l'implementazione attuale richieda la sintonizzazione di iperparametri (come il parametro di forma $\epsilon$ e la regolarizzazione $\gamma$), il framework fornisce una base robusta per sviluppi futuri, inclusi i FOM parametrizzati e le strategie di campionamento greedy per ridurre i costi di addestramento.