Riepilogo Tecnico: Deflazione Spettrale Online per Problemi di Controllo Ottimale con Vincoli sullo Stato

1. Enunciato del Problema

Il documento affronta problemi di controllo ottimale con vincoli su PDE parametriche caratterizzati da vincoli sullo stato puntuale. Un'applicazione rappresentativa è la gestione termica di grandi asset energetici (ad es. trasformatori di potenza), dove una sorgente di calore distribuita $u$ deve guidare un campo di temperatura $y$ verso un profilo desiderato $y_d$ rispettando un limite di sicurezza $\psi$.

La sfida computazionale principale sorge nel contesto di molteplici query (studi di progettazione, digital twin, quantificazione dell'incertezza), dove lo stesso problema di ottimizzazione vincolata deve essere risolto ripetutamente per parametri variabili $\theta$ (ad es. condizioni operative, proprietà dei materiali).

L'ostacolo della volatilità dell'Active-Set

I vincoli sullo stato sono tipicamente imposti tramite una strategia di Active-Set Primal (PAS). Ad ogni iterazione, il dominio viene partizionato in:

• Insieme Attivo ($\mathcal{A}$): Dove il vincolo di stato è attivo ($y = \psi$).
• Insieme Inattivo ($\mathcal{I}$): Dove lo stato è libero ($y < \psi$).

Dopo l'eliminazione delle variabili di controllo e degli addetti, il problema si riduce alla risoluzione di un sistema di complemento di Schur ristretto all'insieme inattivo:
$$M_{\mathcal{I}\mathcal{I}}(\theta) \mathbf{y}_{\mathcal{I}} = \mathbf{b}_{\mathcal{I}}$$
Questo sistema è Simmetrico Positivo Definito (SPD). Tuttavia, al variare del parametro $\theta$, la partizione attivo/inattivo cambia in modo non regolare (discontinuamente). Di conseguenza, l'operatore ristretto $M_{\mathcal{I}\mathcal{I}}$ varia in termini di:

1. Dimensione (dimensione dell'insieme inattivo).
2. Pattern di sparsità.
3. Spettro.

Questa volatilità rende inefficaci le strategie standard di riutilizzo:

• Le fattorizzazioni dirette sparse devono essere ricostruite per ogni istanza.
• Le gerarchie di Algebraic Multigrid (AMG) richiedono una ricostruzione.
• Il riciclo Krylov istanza-per-istanza fallisce perché l'informazione spettrale dal precedente sistema ristretto non si trasferisce necessariamente al successivo a causa del cambiamento brusco della struttura dell'operatore.

2. Metodologia: Deflazione Spettrale Riutilizzabile

Gli autori propongono una strategia che evita di riciclare l'informazione spettrale tra consecutivi sistemi ristretti. Invece, ancorano l'informazione riutilizzabile a un unico complemento di Schur di riferimento a dominio completo ($M_{\text{ref}}$).

Algoritmo Core (A-DEF2)

Il metodo impiega il CG deflattato A-DEF2:

1. Costruzione della Base di Riferimento: Calcolo una singola volta (offline) le $r_{\text{pool}}$ coppie di autovalori/autovettori $(\lambda_j, \phi_j)$ più piccoli di un operatore di riferimento fisso $M_{\text{ref}} = \alpha A(\theta_{\text{ref}})^\top A(\theta_{\text{ref}}) + I$.
2. Restrizione Online: Per una nuova istanza del parametro $\theta$ con insieme inattivo $\mathcal{I}$, si restringono gli autovettori precomputati a $\mathcal{I}$: $\phi_j|_{\mathcal{I}}$.
3. Ortonormalizzazione: Si applica la fattorizzazione QR ai vettori ristretti per formare la base di deflazione $Z$.
4. Risoluzione Deflattata: Si utilizza $Z$ come base di deflazione nell'algoritmo A-DEF2. Ciò comporta un passaggio di correzione grossolana seguito da un CG precondizionato sull'operatore proiettato $P^\top M_{\mathcal{I}\mathcal{I}} P$, dove $P$ è il proiettore $M_{\mathcal{I}\mathcal{I}}$-ortogonale.

Varianti della Costruzione della Base

Per gestire diversi regimi e ridurre i costi, il documento introduce diverse migliorie:

• Riselezione Rayleigh–Ritz: Un passaggio opzionale in cui, dopo la restrizione, viene risolto un piccolo problema di autovalori denso sul pool di candidati per selezionare i migliori $r_{\text{defl}}$ vettori. Questo stabilizza la base in regimi fragili (ad es. Laplaciano 2D ad alto rango) dove la semplice restrizione porta a un cattivo condizionamento.
• Arricchimento POD: Arricchimento online utilizzando snapshot di Proper Orthogonal Decomposition (POD) da istanze precedentemente risolte. Questi vengono fusi con gli autovettori di riferimento tramite ortogonalizzazione QR, soggetti a salvaguardie di condizionamento.
• Prolungamento su Griglia Grossolana (Coarse-Grid): Per evitare l'alto costo del calcolo degli autovettori su griglia fine, gli autovettori sono calcolati su una griglia più grossolana e prolungati alla griglia fine tramite interpolazione multilineare. Ciò riduce il costo dell'eigensolve offline di un fattore $c^d$ (dove $c$ è il fattore di coarsenamento).
• Autovettori Analitici: Per griglie prodotto di tensori con Laplaciano a coefficienti costanti come riferimento, gli autovettori sono disponibili in forma chiusa (prodotti di Kronecker di vettori seno), riducendo il precompute offline a tempi sub-secondo.

Salvaguardie del Condizionamento

Il metodo include due soglie per garantire la stabilità:

• $\tau_{\text{safe}}$ (Costruzione): Interrompe l'arricchimento dei modi POD se il numero di condizionamento della matrice di Gram debole supera un limite conservativo ($10^4$).
• $\tau_{\text{cond}}$ (Tempo di Soluzione): Se il numero di condizionamento del sistema coarse al tempo di soluzione supera un limite più elevato ($10^{10}$), il solver torna a un CG precondizionato con Jacobi.

3. Razionale Teorico: Coerenza Spettrale

L'efficacia del metodo si basa su un fenomeno di coerenza spettrale. Sebbene l'operatore ristretto $M_{\mathcal{I}\mathcal{I}}$ cambi dimensione e spettro, il suo sottospazio a bassa frequenza rimane allineato con il sottospazio a bassa frequenza dell'operatore di riferimento a dominio completo $M_{\text{ref}}$.

• Ciò è motivato dall'interlacciamento di Cauchy (per le sottomatrici principali) e dal teorema sin $\Theta$ di Davis–Kahan (per la perturbazione degli autospazi).
• Diagnostici empirici (angoli principali) mostrano che, mentre gli angoli peggiori tra sottospazi possono raggiungere i $90^\circ$, gli angoli per i principali modi di deflazione (ad es. i primi 20) rimangono piccoli (ad es. $< 8.4^\circ$), garantendo che la base di deflazione rimanga efficace.

4. Contributi Chiave

1. Strategia di Deflazione Spettrale Riutilizzabile: Un metodo per risoluzioni ripetute di l'insieme inattivo che ancora la base a un operatore di riferimento a dominio completo invece di riciclare tra istanze ristrette.
2. Prospettiva dell'Operatore di Riferimento: Un framework in cui i modi bassi di un complemento di Schur a dominio completo vengono ristretti online a insiemi inattivi dipendenti dai parametri.
3. Interpretazione della Coerenza Spettrale: Una spiegazione dell'efficacia del metodo basata sulla struttura delle sottomatrici principali e sulla perturbazione degli sottospazi, validata da diagnostici degli angoli principali.
4. Costruzione Pratica della Base: Sviluppo di varianti che includono prolungamento su griglia grossolana, modi analitici, arricchimento POD e stabilizzazione di Ritz, con esplicite salvaguardie di condizionamento.

5. Risultati Numerici

Il metodo è stato valutato su 15 configurazioni benchmark (diffusione, convezione-diffusione, termica non lineare, scambio termico coniugato) in 2D e 3D, oltre a un'estensione spazio-temporale.

Riduzione delle Iterazioni

• Stato Stazionario: La deflazione ha ridotto le iterazioni CG del 55–98% rispetto al CG precondizionato con Jacobi "cold".
  • Le configurazioni 3D hanno mostrato riduzioni del 60–92% con rango $r=500$.
  • Le configurazioni 2D hanno richiesto la riselezione di Ritz o l'unione POD per ottenere una riduzione dell'86–98% a causa di problemi di condizionamento ad alti ranghi.
• Spazio-Tempo: Per problemi parabolici, una base temporale di Kronecker ha ottenuto una riduzione delle iterazioni del 56–85%, mentre le basi costanti nel tempo non sono riuscite a catturare la dinamica temporale.

Prestazioni Wall-Time (GPU vs. CPU)

• Hardware: GPU (NVIDIA H200/H100) vs. CPU (Intel Xeon/Azure).
• Speedup:
  • 3D: Il CG deflattato su GPU è stato 591–973× più veloce per istanza rispetto ai solutori diretti sparse su CPU con griglie $50^3$ (125K DOF).
  • Confronto con AMG: Nonostante AMG richieda meno iterazioni, il CG deflattato su GPU è stato 13–18× più veloce dell'AMG-RS su CPU, grazie al minor costo per iterazione su GPU e al fatto che le gerarchie AMG devono essere ricostruite per ogni istanza, mentre la base di deflazione viene riutilizzata.
• Ammortamento:
  • Con eigensolve su griglia fine, il costo offline domina per piccoli batch di istanze.
  • Con il prolungamento su griglia grossolana o modi analitici, il costo offline è drasticamente ridotto.
  • Break-even: Con i metodi su griglia grossolana, lo speedup ammortizzato rispetto ai solutori diretti su CPU si realizza entro 4–32 istanze (a seconda della dimensione e del coarsenamento). Con i modi analitici per griglie prodotto di tensori, il break-even avviene alla prima istanza.

Accuratezza

Tutte le risoluzioni deflettate hanno corrisposto alla soluzione diretta su CPU alla tolleranza Krylov prescritta ($10^{-10}$), con errori di stato relativi comparabili al CG "cold" (mediane $\sim 10^{-10}$). Gli speedup non derivano da un rilassamento dell'accuratezza.

6. Significato e Rivendicazioni

Il documento sostiene che questo approccio fornisce una misura di accelerazione indipendente dall'hardware (riduzione delle iterazioni) e sostanziali guadagni di wall-time nelle implementazioni GPU.

• Complementarità: Il metodo accelera la ripetuta algebra lineare ad alta fedeltà senza sostituire il problema di controllo ottimale con un surrogato (a differenza del Reduced Order Modeling o dei DeepONets). Preserva il sistema di ottimalità discreto vincolato.
• Robustezza: È robusto ai cambiamenti combinatori indotti dagli aggiornamenti dell'active-set, uno scenario in cui il riciclo Krylov standard fallisce.
• Scalabilità: Il metodo è ben adatto all'esecuzione su GPU, utilizzando prodotti matrice-vettore sparsi e piccoli solutori densi per il livello coarse.
• Limitazioni: La coerenza spettrale è validata empiricamente ma non è formalmente provata per tutti i regimi. Il metodo è attualmente limitato alle griglie strutturate per i modi analitici e dipende dall'assemblaggio esplicito del complemento di Schur per l'eigensolve, limitando le dimensioni della griglia testate a $\sim 125.000$ DOF (stazionario) e $\sim 540.000$ DOF (spazio-temporale). Scalare oltre $10^6$ DOF richiederebbe eigensolver matrix-free.

Gli autori concludono che, ancorando la base di deflazione a un operatore di riferimento stabile, è possibile risolvere problemi di controllo ottimale con vincoli sullo stato attraverso molteplici istanze di parametri, superando la volatilità dei cambiamenti di active-set che tipicamente ostacolano il riutilizzo dei solver.