Latent representation learning based model correction and uncertainty quantification for PDEs

Titolo: Apprendimento di rappresentazioni latenti per la correzione di modelli e la quantificazione dell'incertezza nelle EDP

1. Il Problema

Le equazioni differenziali alle derivate parziali (PDE) sono fondamentali per la simulazione e il controllo dei sistemi fisici complessi. Tuttavia, nella pratica, i modelli fisici governanti sono spesso imprecisi a causa di:

• Assunzioni semplificative (es. viscosità costante invece di non newtoniana).
• Fisica mancante o non modellata.
• Dati osservativi limitati e rumorosi.

Questi errori di forma del modello (model-form errors) portano a discrepanze sistematiche tra le previsioni numeriche e la realtà. I metodi di correzione esistenti, come quelli basati su PINN (Physics-Informed Neural Networks), spesso operano nello spazio dei parametri o utilizzano ensemble per la quantificazione dell'incertezza (UQ). Questi approcci possono essere:

• Computazionalmente proibitivi: Richiedono campionamento ripetuto o riaddestramento di ensemble.
• Inefficienti nella propagazione dell'incertezza: Spesso trattano l'incertezza della soluzione e quella della correzione separatamente, rendendo difficile una propagazione coerente dell'incertezza epistemica (dovuta alla mancanza di conoscenza del modello).

2. Metodologia Proposta

Gli autori sviluppano un framework di correzione del modello basato su rappresentazioni latenti, estendendo il solver LVM-GP (Latent Variable Model - Gaussian Process) proposto in lavori precedenti.

Architettura Chiave:
Il modello utilizza una rappresentazione latente stocastica condivisa che guida simultaneamente due decoder:

1. Encoder Consapevole della Fiducia (Confidence-Aware Encoder):
   • Costruisce una variabile latente $z_1(x, \omega)$ interpolando tra una mappa di caratteristiche deterministica $\bar{z}(x)$ e un prior di Processo Gaussiano (GP) $z_0(x, \omega)$.
   • Utilizza una funzione di fiducia appresa $m(x) \in [0, 1]$ per bilanciare la componente deterministica e quella stocastica, permettendo al modello di adattarsi all'incertezza epistemica.
2. Decoder della Soluzione:
   • Mappa la variabile latente condivisa nel campo di soluzione $u(x)$, modellandolo come un campo casuale gaussiano condizionato.
3. Decoder di Correzione (Correction Decoder):
   • Utilizza la stessa variabile latente $z_1$ per inferire un termine di discrepanza $S_\psi$.
   • Questo termine corregge l'operatore differenziale impreciso $\tilde{N}_x$ aggiungendo un termine appreso: $\mu_f = \tilde{N}_x[\mu_u] + S_\psi(z_1)$.

Meccanismo di Apprendimento:

• Obiettivo Unificato: La soluzione e la correzione vengono apprese simultaneamente massimizzando la verosimiglianza dei dati (likelihood) sotto vincoli fisici "soft".
• Regolarizzazione Latente: Viene introdotto un termine di regolarizzazione (KL-divergenza) per prevenire il collasso della rappresentazione latente e garantire che rimanga strutturata vicino al prior.
• Inferenza: L'incertezza viene quantificata campionando la variabile latente condivisa. Poiché soluzione e correzione dipendono dalla stessa fonte di casualità latente, l'incertezza epistemica si propaga in modo coerente a entrambe le quantità.

3. Contributi Principali

1. Framework di Correzione nello Spazio Latente: Introduzione di un modello in cui soluzione e correzione condividono un campo latente stocastico consapevole della fiducia, garantendo una propagazione dell'incertezza coerente su tutte le quantità di interesse.
2. Strategia di Apprendimento Congiunto: Sviluppo di un obiettivo unificato che incorpora direttamente le informazioni delle PDE nella verosimiglianza dei dati, permettendo l'apprendimento simultaneo di soluzione e correzione senza necessità di campionamento parametrico o riaddestramento ripetuto.
3. Regolarizzazione Stabile: Introduzione di un termine di regolarizzazione nello spazio latente per stabilizzare l'addestramento e prevenire la degenerazione della componente stocastica.
4. Validazione Estensiva: Dimostrazione empirica su problemi complessi (ODE, equazioni di reazione-diffusione, flussi di canale e cavità non newtoniani) che il metodo raggiunge accuratezza comparabile agli Ensemble PINN e ai B-PINN, ma con maggiore efficienza computazionale e robustezza.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su quattro scenari principali con dati rumorosi e modelli imprecisi:

• Sistema ODE: Il metodo ha corretto con successo un termine di reazione impreciso ($\lambda \cos(u)$ invece di $\lambda u(1-u)$), ottenendo errori di previsione comparabili al modello corretto, con una quantificazione dell'incertezza affidabile.
• Equazione di Reazione-Diffusione: In presenza di un termine di reazione errato, la correzione ha migliorato significativamente l'accuratezza rispetto al modello impreciso, mantenendo gli errori all'interno dei limiti di incertezza previsti.
• Flussi Non Newtoniani (Canale e Cavità):
  • Il modello ha corretto un'equazione costitutiva newtoniana imprecisa per fluidi non newtoniani (legge di potenza).
  • Nel caso del flusso in cavità, il metodo proposto ha ottenuto errori $L_2$ relativi inferiori rispetto agli Ensemble PINN (es. errore su $u$: 0.0096 vs 0.0131 degli Ensemble PINN), dimostrando una maggiore efficienza e precisione.
  • Il termine di correzione appreso ha permesso di recuperare la fisica mancante (effetti non newtoniani) con alta fedeltà.

5. Significato e Impatto

Questo lavoro rappresenta un avanzamento significativo nell'integrazione dell'apprendimento automatico con la fisica per problemi mal posti o con modelli imperfetti.

• Efficienza: Elimina la necessità di costosi ensemble o inferenza bayesiana parametrica, offrendo una quantificazione dell'incertezza "single-shot" tramite il campionamento latente.
• Coerenza Fisica: Garantisce che l'incertezza nella correzione del modello sia coerente con l'incertezza nella soluzione, un aspetto cruciale per la fiducia nelle previsioni in scenari critici.
• Robustezza: Dimostra di essere robusto sia al rumore nei dati che a errori strutturali significativi nel modello fisico, rendendolo adatto per applicazioni reali dove la fisica esatta è sconosciuta o troppo complessa da modellare direttamente.

In sintesi, il framework proposto offre un approccio scalabile ed efficace per la "scoperta" e la correzione di modelli fisici, bilanciando la flessibilità dei dati con i vincoli della fisica nota.