Model order reduction via Lie groups

1. Il Problema

La Riduzione dell'Ordine del Modello (MOR) è fondamentale per la simulazione e l'ottimizzazione di sistemi ingegneristici complessi (come robotica morbida, fluidodinamica e interazioni fluido-struttura), spesso descritti da equazioni differenziali alle derivate parziali (PDE) ad alta dimensionalità.
Il metodo standard, basato su sottospazi lineari (es. POD - Proper Orthogonal Decomposition), approssima la soluzione come una combinazione lineare di basi fisse:
$$u_\mu(t) \approx \sum_{i=1}^N c_i^\mu(t) \phi_i$$
Tuttavia, questo approccio incontra il "freno di Kolmogorov" (Kolmogorov barrier): per sistemi dominati dal trasporto o con fronti d'onda che si muovono, la larghezza di Kolmogorov $N$ decade molto lentamente. Ciò significa che sono necessari un numero enorme di modi per ottenere una buona accuratezza, rendendo i metodi lineari inefficienti.
I metodi non lineari esistenti (basati su apprendimento automatico o trasformazioni adattive) spesso richiedono costi computazionali elevati o non sfruttano la struttura geometrica intrinseca del sistema.

2. Metodologia: MORLie

Gli autori propongono un nuovo framework geometrico chiamato MORLie, che riduce un sistema dinamico ad alta dimensionalità definito su una varietà $M$ a un sistema dinamico a bassa dimensionalità definito su un gruppo di Lie $G$.

Concetti Chiave

• Azione di Gruppo: Invece di proiettare lo stato su un sottospazio fisso, MORLie assume che l'evoluzione dello stato $u_\mu(t)$ possa essere approssimata dall'azione di un gruppo di Lie $G$ su una condizione iniziale $u_{\mu,0}$:
  $$u_\mu(t) \approx \Phi(g_\mu(t), u_{\mu,0})$$
  dove $\Phi: G \times M \to M$ è l'azione del gruppo e $g_\mu(t) \in G$ è la traiettoria nel gruppo.
• Dinamica Indotta: La dinamica del gruppo $g_\mu(t)$ è governata da un campo vettoriale ridotto $\rho_\mu: M \to \mathfrak{g}$ (dove $\mathfrak{g}$ è l'algebra di Lie). La dinamica sul gruppo è data da:
  $$\dot{g}_\mu = R_{g_\mu*} \rho_\mu(\bar{x})$$
  Questo induce una dinamica approssimata sulla varietà originale $M$, vincolata a muoversi lungo le orbite del gruppo (distribuzione tangente alle orbite), piuttosto che su un sottospazio fisso.
• Non-Equivarianza: A differenza dei metodi precedenti basati su gruppi di Lie che richiedevano l'equivarianza esatta del sistema, MORLie è progettato per gestire sistemi non-equivarianti (o approssimativamente equivarianti), molto comuni nelle applicazioni pratiche.
• Approccio Non Intrusivo: Il metodo permette di derivare il modello ridotto (ROM) direttamente dai dati (snapshot), senza necessariamente conoscere le equazioni del modello completo (FOM), rendendolo adatto a scenari "data-driven".

Teoria dell'Errore: La Larghezza di Kolmogorov di Gruppo

Gli autori definiscono una nuova misura teorica, la Larghezza di Kolmogorov di Gruppo ($d^{\Xi_N}$).

• Mentre la larghezza classica misura l'errore di approssimazione su un sottospazio lineare, quella di gruppo misura l'errore rispetto all'orbita di un gruppo di Lie.
• Risultato Teorico: Dimostrano che per certi sistemi (es. trasporto lineare), la larghezza di Kolmogorov di gruppo può essere zero (approssimazione perfetta) anche quando la larghezza lineare è grande, superando così il freno di Kolmogorov.

3. Contributi Chiave

1. Framework MORLie: Sviluppo di una procedura generale per la MOR basata su gruppi di Lie, che generalizza metodi precedenti (come il "metodo del congelamento" o freezing method).
2. Teoria dell'Errore: Formalizzazione della larghezza di Kolmogorov di gruppo, fornendo un limite inferiore teorico per l'errore di approssimazione che è generalmente inferiore a quello dei metodi lineari.
3. Algoritmi di Ottimizzazione:
   • Sviluppo di metodi intrusivi (basati sulla conoscenza esplicita del campo vettoriale FOM) e non intrusivi (basati su dati/snapshot).
   • Strategie per identificare il gruppo di Lie ottimale ($G$), l'azione ($\Phi$) e il campo vettoriale ridotto ($\rho$) risolvendo problemi di ottimizzazione.
   • Tecniche per la riduzione ulteriore della dimensionalità tramite ricerca di sotto-algebre (usando PCA e chiusura rispetto al parentesi di Lie).
4. Validazione Analitica e Numerica:
   • Recupero analitico del "metodo del congelamento" come caso speciale.
   • Applicazione a sistemi di trasporto lineare.
   • Applicazioni numeriche su dati reali e sintetici.

4. Risultati Sperimentali

Il paper presenta tre casi di studio principali:

1. Corpo Deformabile Semplicificato (Nuvola di Punti con Taglio):

   • Scenario: Nuvole di punti rumorose sottoposte a moti di taglio (shearing).
   • Risultato: MORLie supera significativamente l'approccio POD naive in termini di accuratezza e grado di riduzione. Mentre il POD richiede molte modalità per catturare il movimento, MORLie cattura la dinamica con un numero molto minore di parametri (dimensione del gruppo).

2. Ricostruzione del Movimento del Fegato (Respirazione):

   • Scenario: Tracciamento del fegato durante la respirazione utilizzando dati di rilevamento dei bordi da scansioni MRI.
   • Risultato: Il metodo raggiunge prestazioni vicine allo stato dell'arte.
   • Vantaggio Computazionale: Riduce il tempo di addestramento da ore (su un cluster di calcolo) a minuti (su una workstation mobile), dimostrando l'efficienza del metodo non intrusivo.
   • Limitazione: Il modello rigido funziona bene per respiri superficiali, ma l'errore aumenta per respiri profondi dove la deformazione non rigida è significativa (suggerendo futuri lavori su azioni di gruppo non lineari).

3. Esempio Analitico (Trasporto Lineare):

   • Scenario: Equazione di trasporto lineare.
   • Risultato: Dimostrazione che la larghezza di Kolmogorov di gruppo è zero per questo problema, confermando teoricamente la capacità del metodo di superare il limite dei metodi lineari.

5. Significato e Impatto

Il lavoro di Wotte et al. rappresenta un passo avanti significativo nella teoria della MOR:

• Superamento del Limite Lineare: Offre una soluzione geometrica rigorosa al problema della lenta decadenza della larghezza di Kolmogorov nei sistemi di trasporto, senza ricorrere a costosi modelli di deep learning "black-box".
• Generalità: Il framework è abbastanza flessibile da includere metodi esistenti (come il freezing method) come casi particolari, fornendo una visione unificata.
• Applicabilità Pratica: La capacità di funzionare in modo non intrusivo e di ridurre drasticamente i tempi di calcolo lo rende promettente per applicazioni in tempo reale, come la chirurgia guidata da immagini o il controllo di robotica morbida.
• Flessibilità Geometrica: Permette di modellare sistemi dove lo stato evolve su orbite complesse (rotazioni, traslazioni, deformazioni affini) che non possono essere catturate efficacemente da sottospazi lineari fissi.

In sintesi, MORLie sposta il paradigma dalla proiezione su spazi vettoriali alla proiezione su orbite di gruppi di Lie, sfruttando la simmetria e la struttura geometrica dei sistemi fisici per ottenere modelli ridotti più compatti, accurati ed efficienti.