No-Harm Physics-Informed Inverse Learning with Residual-Calibrated Uncertainty

Sintesi Tecnica: Apprendimento Inverso Informato dalla Fisica Senza Danno con Incertezza Calibrata sui Residui

Definizione del Problema
L'apprendimento informato dalla fisica, in particolare le Reti Neurali Informate dalla Fisica (PINN), viene applicato sempre più frequentemente ai problemi inversi governati da equazioni alle derivate parziali (PDE). Sebbene questi metodi possano migliorare la qualità della ricostruzione in regimi familiari, la loro affidabilità rimane difficile da certificare in contesti mal posti. Una ricostruzione appresa può apparire visivamente plausibile o raggiungere una bassa perdita di addestramento, pur rimanendo instabile sotto perturbazioni dei dati, discrepanze del modello o spostamenti fuori distribuzione (out-of-distribution). Gli approcci attuali spesso mancano di informazioni di affidabilità computabili, rendendo impossibile distinguere tra un reale miglioramento e una soluzione "allucinata" o instabile. La sfida centrale è sviluppare un framework che permetta ai solver appresi di migliorare rispetto ai baseline tradizionali senza degradarne silenziosamente l'affidabilità.

Metodologia
Il documento propone un framework di certificazione e selezione "no-harm" (senza danno) che agisce come uno strato decisionale piuttosto che come una nuova architettura di ricostruzione. Il principio cardine è che una ricostruzione inversa appresa debba sostituire una ricostruzione baseline solo se il suo raggio di incertezza calibrato sui residui non è dimostrabilmente peggiore di quello del baseline.

La metodologia procede attraverso i seguenti passaggi:

1. Definizione del Residuo: Per una ricostruzione candidata $(u, q)$, il framework calcola quattro distinti componenti del residuo:

   • Residuo dei Dati ($r_{data}$): Il disallineamento tra l'output del modello e le osservazioni rumorose.
   • Residuo Fisico ($r_{pde}$): La violazione della PDE governante.
   • Residuo di Condizione al Contorno/Iniziale ($r_{bc}$): Il disallineamento con i vincoli di contorno o iniziali.
   • Residuo di Ottimizzazione ($r_{opt}$): Una misura di stazionarietà (ad esempio, la norma del gradiente) per tenere conto di minimizzatori approssimativi e addestramenti incompleti.

2. Stabilità Condizionata e Limiti di Errore: Il framework si basa su una stima di stabilità condizionata (Assunzione 1), la quale postula che, per un insieme ammissibile di soluzioni, l'errore di ricostruzione sia limitato da una potenza della somma dei residui e del rumore. Sotto questa assunzione, il documento deriva un limite di errore a posteriori (Teorema 1). Questo limite definisce un raggio di incertezza calibrato sui residui ($R$) che funge da limite superiore deterministico sull'errore di ricostruzione.

3. Estensioni Stocastiche e di Ottimizzazione:

   • Per i residui fisici stimati tramite punti di collocazione casuali, il documento deriva limiti superiori ad alta probabilità (Teorema 3) utilizzando la disuguaglianza di Hoeffding, garantendo che il certificato rimanga valido anche quando i residui sono campionati.
   • Un residuo di ottimizzazione è esplicitamente incluso per penalizzare le soluzioni in cui l'ottimizzatore non ha raggiunto un punto stazionario significativo, impedendo l'accettazione di risultati di addestramento "incompleti".

4. Regola di Selezione No-Harm: Dato un baseline di ricostruzione con raggio $R_{base}$ e una ricostruzione appresa con raggio $R_{learn}$, la soluzione appresa viene accettata solo se:
   $$R_{learn} \leq R_{base} + \epsilon_{safe}$$
   dove $\epsilon_{safe}$ è una tolleranza prescritta. Se questa condizione fallisce, il framework torna al baseline. Ciò garantisce che l'output selezionato sia sempre controllato dal certificato di affidabilità del baseline.

Contributi Chiave
Il documento presenta sette contributi primari:

1. Definizione del Certificato di Residuo: Un certificato unificato che combina residui di dati, PDE, condizioni al contorno/iniziali e di ottimizzazione.
2. Limite di Errore A Posteriori: Una prova che, sotto stabilità condizionata, questi residui producono un limite superiore computabile sull'errore di ricostruzione.
3. Raggio di Incertezza: L'introduzione di un raggio di incertezza calibrato sui residui che può essere riportato insieme alle ricostruzioni apprese.
4. Regola di Selezione No-Harm: Una regola deterministica che accetta le ricostruzioni apprese solo quando migliorano o eguagliano la loro affidabilità certificata rispetto al baseline.
5. Certificazione Stocastica: Limiti ad alta probabilità per i residui fisici stimati da indipendenti punti di collocazione.
6. Integrazione del Residuo di Ottimizzazione: Un meccanismo per tenere conto di minimizzatori approssimativi e convergenza di addestramento incompleta tramite diagnostica di stazionarietà.
7. Validazione Numerica: Test completi su diversi problemi inversi (recupero di sorgente di Poisson, ricostruzione del calore inverso, tomografia ad angolo limitato e identificazione di coefficienti ellittici) per validare il comportamento del framework sotto rumore, disallineamento del modello e mal condizionamento.

Risultati
Gli esperimenti numerici validano il framework in cinque scenari distinti:

• Recupero della Sorgente di Poisson: Il selettore ha accettato con successo i candidati appresi "buoni" con raggi certificati più piccoli, rigettando al contempo i candidati "spostati" e "incompleti" che presentavano raggi più grandi, nonostante alcuni avessero un aspetto visivo plausibile.
• Ricostruzione del Calore Inverso: In regimi fortemente mal posti (dove la mappa diretta è altamente smorzante), il framework è diventato conservativo, rigettando i candidati appresi anche quando il loro errore reale era moderato, poiché i loro raggi certificati superavano quelli del baseline a causa dell'instabilità.
• Tomografia ad Angolo Limitato: Uno stress test critico ha mostrato che un candidato appreso con un errore reale inferiore (conoscenza a posteriori) è stato rigettato perché il suo raggio certificato era maggiore di quello del baseline. Ciò dimostra la dipendenza della regola dalle evidenze disponibili piuttosto che dalla verità fondamentale (ground truth).
• Identificazione di Coefficienti Geofisici: Il framework ha accettato i miglioramenti appresi nell'identificazione dei coefficienti rigettando al contempo i candidati spostati, confermando la sua capacità di rilevare incongruenze strutturali.
• Validazione del Residuo Stocastico: I test con punti di collocazione indipendenti hanno confermato che i limiti ad alta probabilità sono conservativi e si stringono all'aumentare del numero di punti di validazione, raggiungendo una copertura del 100% nei regimi testati.

Uno sweep di sufficienza su larga scala (21.000 prove) ha rivelato che la regola no-harm è altamente conservativa: ha rigettato oltre il 54% dei candidati appresi che erano in realtà più accurati del baseline (falsi rigetti) per garantire che nessun candidato non sicuro (meno dell'1,2% delle selezioni) venisse accettato. Ciò conferma che il framework privilegia l'affidabilità rispetto alla massimizzazione del potenziale di accuratezza quando la verità fondamentale è sconosciuta.

Significatività e Rivendicazioni
Il documento afferma che il suo contributo primario non è una nuova architettura neurale o un solver specifico, ma una regola decisionale riutilizzabile per l'apprendimento inverso informato dalla fisica. Il framework sposta il paradigma operativo da "ricostruire e sperare" a "ricostruire, certificare e selezionare".

Gli autori sottolineano che il metodo è indipendente dall'architettura, capace di avvolgere PINN, operatori neurali, solver unrolled o ottimizzatori classici. La significatività risiede nel fornire un meccanismo per impedire che output appresi non certificati sostituiscano silenziosamente i baseline tradizionali più sicuri. Legando l'accettazione a un certificato calibrato sui residui derivato dalla stabilità condizionata, il framework assicura che ogni miglioramento nella ricostruzione sia supportato dalla coerenza dei dati, dalla conformità fisica e dalla convergenza dell'ottimizzazione, piuttosto che dalla sola plausibilità visiva o dalla perdita di addestramento. Il documento conclude che, in assenza di verità fondamentale, il principio no-harm fornisce una salvaguardia necessaria per l'impiego dell'apprendimento informato dalla fisica in problemi inversi critici.