Efficient Krylov solvers for inverse source problem in 2D space-time fractional diffusion equation

Sintesi Tecnica: Solutori di Krylov Efficienti per Problemi Sorgente Inversi in Equazioni di Diffusione Frazionaria Spazio-Temporale 2D

Definizione del Problema
Questo lavoro affronta il problema inverso della sorgente associato a un'equazione di diffusione frazionaria (FDE) spazio-temporale bidimensionale con coefficienti variabili. L'equazione governante coinvolge una derivata frazionaria temperata nel tempo ($T D^{\xi,\rho}_t$) e derivate di Caputo in due dimensioni spaziali ($CD^{\eta_1}_x, CD^{\eta_2}_y$). L'obiettivo è ricostruire il termine sorgente ignoto $f(x, y)$ dati i termini iniziali e i dati rumorosi al tempo finale.

Il problema è intrinsecamente mal posto nel senso di Hadamard, dove piccole perturbazioni nei dati di input (livello di rumore $\epsilon$) possono portare a errori significativi nella soluzione. Per mitigare ciò, gli autori impiegano il metodo del valore al contorno quasi-regolare (quasi-boundary value method), una tecnica di regolarizzazione non locale che trasforma il problema mal posto in un problema regolarizzato ben posto dipendente da un parametro.

Metodologia
L'approccio proposto combina la discretizzazione numerica, l'analisi spettrale tramite la teoria dei Toeplitz Locali Generalizzati (GLT) e la progettazione di precondizionatori efficienti per solutori iterativi.

1. Discretizzazione:

   • Il problema regolarizzato viene discretizzato utilizzando uno schema di differenze finite. La derivata frazionaria temporale temperata è approssimata utilizzando la formula L1, mentre le derivate spaziali di Caputo sono anch'esse discretizzate tramite approssimazioni L1.
   • Questo processo genera un sistema lineare "all-at-once" su larga scala della forma $A_{\tilde{N}} v_\lambda = z_\lambda$, dove $\tilde{N} = (m+1)\nu(n)$ rappresenta i gradi di libertà totali (combinando i passi temporali $m$ e i punti di griglia spaziale $\nu(n) = n_1 n_2$).
   • La matrice dei coefficienti risultante $A_{\tilde{N}}$ esibisce una complessa struttura a blocchi multilivello. A causa del coefficiente variabile $a(x, y)$, la matrice non è strettamente Toeplitz ma possiede una struttura di tipo Toeplitz a blocchi multilivello perturbata da matrici di campionamento diagonali.

2. Analisi Spettrale (Teoria GLT):

   • Gli autori eseguono un'analisi spettrale asintotica delle sequenze di matrici utilizzando la teoria dei Toeplitz Locali Generalizzati (GLT). Questo framework permette di caratterizzare le distribuzioni dei valori singolari e degli autovalori di sequenze di matrici di grandi dimensioni derivanti da operatori differenziali discretizzati.
   • L'analisi identifica il simbolo GLT della sequenza di matrici dei coefficienti. Il simbolo è derivato come la somma del simbolo associato al blocco di discretizzazione temporale (relativo alla derivata temperata) e al blocco dell'operatore spaziale (che coinvolge il coefficiente variabile e le derivate frazionarie spaziali).
   • L'analisi conferma che la sequenza di matrici è distribuita secondo questo simbolo, fornendo la base teorica per il precondizionamento.

3. Strategia di Precondizionamento:

   • Sulla base dell'analisi GLT, gli autori propongono un precondizionatore triangolare a blocchi ($P_{\tilde{N}}$). Questo precondizionatore approssima la matrice originale $A_{\tilde{N}}$ mantenendo la struttura a blocchi inferiore triangolare ma semplificando i blocchi diagonali.
   • I risultati teorici (Teorema 5.2) dimostrano che la sequenza di matrici precondizionate $\{P_{\tilde{N}}^{-1} A_{\tilde{N}}\}$ è distribuita come la funzione identità (simbolo = 1) nel senso GLT. Di conseguenza, gli autovalori del sistema precondizionato sono debolmente raggruppati attorno a 1, una proprietà desiderabile per la convergenza di metodi di sottospazio di Krylov come GMRES.
   • La soluzione dei sistemi lineari che coinvolgono il precondizionatore è gestita tramite tecniche standard per sistemi di tipo Toeplitz-like inferiori triangolari (ad esempio, utilizzando approssimazioni circolanti o medie integrali del coefficiente variabile).

Contributi Chiave

• Formulazione: Il documento formula il problema inverso della sorgente per una FDE spazio-temporale 2D con coefficienti variabili e applica il metodo del valore al contorno quasi-regolare per garantire la stabilità contro il rumore.
• Analisi Strutturale: Fornisce un'analisi spettrale rigorosa delle matrici di discretizzazione "all-at-once" risultanti utilizzando la teoria GLT, derivando esplicitamente il simbolo per la struttura a blocchi multilivello.
• Progettazione del Precondizionatore: Un nuovo precondizionatore triangolare a blocchi viene costruito preservando la struttura multilivello della discretizzazione. Gli autori dimostrano che questo precondizionatore porta al raggruppamento degli autovalori attorno all'unità, garantendo teoricamente una convergenza efficiente.
• Efficienza Computazionale: Il metodo proposto utilizza la struttura della matrice per ridurre il costo computazionale dei prodotti matrice-vettore e delle applicazioni del precondizionatore a $O(m^2 \nu(n))$ operazioni (con fattori logaritmici per i calcoli Toeplitz), rendendolo scalabile per griglie di grandi dimensioni.

Risultati Numerici
Esperimenti numerici sono stati condotti sul dominio $\Omega = (0, 1)^2$ con vari ordini frazionari ($\xi, \eta_1, \eta_2$) e dimensioni di griglia.

• Convergenza: Il metodo GMRES precondizionato ha superato significativamente la versione non precondizionata. Ad esempio, con dimensioni di griglia $n_1=n_2=m=25$, il numero di iterazioni è sceso da 186 (non precondizionato) a 39 (precondizionato) per specifici parametri frazionari, rappresentando una riduzione di circa l'80%.
• Robustezza: Il numero di iterazioni per il sistema precondizionato è rimasto quasi costante all'aumentare della discretizzazione temporale ($m$) e è cresciuto solo moderatamente all'aumentare della discretizzazione spaziale ($n_1, n_2$). Al contrario, il sistema non precondizionato ha mostrato una rapida crescita del numero di iterazioni con il raffinamento della mesh.
• Costo: Sebbene l'applicazione del precondizionatore aggiunga un sovraccarico, il tempo di CPU totale è stato sostanzialmente ridotto grazie alla drastica diminuzione del numero di iterazioni GMRES necessarie per la convergenza.

Significato e Rivendicazioni
Il documento afferma che il framework proposto offre un approccio efficiente e scalabile per risolvere problemi inversi di sorgente in modelli di diffusione frazionaria. Integrando regolarizzazione, discretizzazione che preserva la struttura e analisi spettrale basata su GLT, il metodo accelera con successo il solutore GMRES.

Gli autori sottolineano che il precondizionatore mitiga efficacemente il deterioramento delle proprietà spettrali tipicamente associato al raffinamento della mesh nelle problematiche frazionarie. Notano che, sebbene il raggruppamento sia "debole" (come tipico per i problemi multilivello), il comportamento di convergenza risultante è robusto attraverso diversi ordini frazionari e livelli di discretizzazione. Il lavoro estende gli studi unidimensionali precedenti al caso più complesso in due dimensioni, dimostrando che l'uso avanzato della struttura delle matrici può superare le sfide computazionali poste dagli operatori frazionari non locali e dai problemi inversi mal posti.

Il documento suggerisce modestamente che il lavoro futuro potrebbe estendere questi metodi a geometrie più complesse, elementi finiti di ordine superiore, analisi isogeometrica e dimensioni spaziali superiori, notando che il framework teorico presentato è adattabile a tali scenari.