Sintesi Tecnica: Level-Set Physics-Informed Neural Networks per Problemi Inversi di Dominio nella Gravimetria

1. Definizione del Problema

Il documento affronta il problema inverso di dominio della gravimetria, che mira a ricostruire la geometria delle distribuzioni di massa anomale nel sottosuolo (dominio $D$) a partire dalle misurazioni della accelerazione di gravità in superficie. Mentre la gravimetria classica è notoriamente mal posta (non univoca), gli autori si concentrano su una specifica "classe di correttezza" in cui il contrasto di densità $f$ è noto a priori, e l'incognita è la funzione caratteristica $\chi_D$ del dominio.

La sfida principale nell'applicare le standard Physics-Informed Neural Networks (PINNs) a questo problema è la natura discontinua dell'interfaccia tra il dominio anomalo e lo sfondo. Rappresentare direttamente la densità $\rho = f \chi_D$ tramite una rete neurale è problematico perché:

1. Le reti neurali producono intrinsecamente output continui, rendendo difficile rappresentare interfacce nette e discontinue.
2. L'evoluzione di queste interfacce nette durante l'addestramento porta a gradienti esplosivi o evanescenti, in particolare quando si utilizzano approssimazioni numeriche della funzione di Heaviside per modellare la discontinuità.

2. Metodologia

Gli autori propongono le Level-Set Physics-Informed Neural Networks (Level-Set PINNs) per superare tali limitazioni. La metodologia consiste nei seguenti componenti fondamentali:

2.1 Formulazione Level-Set

Invece di predire direttamente la densità, il metodo utilizza una rete neurale $\phi_\omega(x)$ per rappresentare una funzione level-set continua. L'incognita del dominio $D$ è definita implicitamente dalla zero level-set di questa funzione:
$$\rho_\omega(x) = f(x) H_\tau(\phi_\omega(x))$$
dove $H_\tau$ è una funzione di Heaviside numerica (smussata) controllata da un parametro $\tau$. Idealmente, $\phi_\omega$ approssima una funzione di distanza con segno, dove $\{x \mid \phi_\omega(x) = 0\}$ rappresenta l'interfaccia netta $\partial D$.

2.2 Costruzione della Funzione di Perdita (Loss Function)

L'addestramento minimizza una funzione di perdita composita $L_{total}$ che impone leggi fisiche e fedeltà ai dati:

• Residuo della PDE ($L_{pde}$): Impone l'equazione di Poisson $-\Delta U = \gamma \rho$.
• Dati al Confine ($L_{bc}$): Si adatta l'accelerazione di gravità misurata $g = \nabla U$ sulla superficie di osservazione.
• Condizione di Campo Lontano ($L_{far}$): Impone il decadimento del potenziale all'infinito.
• Regolarizzazione Level-Set:
  • Termine Eiconale ($L_{eik}$): Penalizza le deviazioni da $|\nabla \phi| = 1$ per mantenere la proprietà di distanza con segno.
  • Penalità di Lunghezza/Area ($L_r$): Penalizza la norma del gradiente per prevenire irregolarità strutturali (es. bave) e promuovere un'evoluzione stabile.
• Regolarizzazione dei Parametri ($L_\Theta$): Standard weight decay.

2.3 Backpropagation Consapevole dell'Interfaccia (Interface-Aware)

Un'innovazione critica è la strategia di backpropagation consapevole dell'interfaccia per gestire i problemi di gradiente causati dall'interfaccia netta.

• Il Dilemma: È necessario un $\tau$ piccolo per un'interfaccia netta (accuratezza), ma ciò causa gradienti esplosivi al livello zero e gradienti evanescenti altrove (instabilità dell'addestramento).
• La Soluzione: Gli autori scindono i passaggi forward e backward.
  • Passaggio Forward: Utilizza un $\tau$ piccolo per mantenere un'interfaccia di densità netta.
  • Passaggio Backward: Ridefinisce la derivata della funzione di Heaviside utilizzando un parametro più grande $\tilde{\tau} = c\tau$ (dove $c > 1$).
• Giustificazione Teorica: Il documento fornisce un'analisi rigorosa (Proposizione 3.1) dimostrando che la minimizzazione del termine di perdita modificato con $\tilde{\tau}$ approssima strettamente la minimizzazione della vera perdita con $\tau$, a patto che $\tau$ sia piccolo. Ciò crea una "regione di supporto più ampia" per il flusso del gradiente senza sacrificare la nitidezza dell'interfaccia finale.

2.4 Raffinamento Adattivo e Architettura

• Raffinamento Adattivo: Una strategia iterativa aggiunge dinamicamente punti di collocazione vicino all'interfaccia in evoluzione (dove $|\phi_\omega(x)| < C_{refine}$) per migliorare la risoluzione dove è più necessaria.
• Architettura della Rete:
  • Rete Level-Set ($\phi_\omega$): Utilizza l'attivazione ReLU. ReLU è scelta per la sua natura non saturante ed efficienza nell'approssimare funzioni $W^{1,\infty}$ (funzioni di distanza con segno).
  • Rete del Potenziale ($U_\theta$): Utilizza l'attivazione tanh. Poiché la perdita della PDE richiede il Laplaciano $\Delta U$, è necessaria un'attivazione fluida poiché la seconda derivata di ReLU svanisce quasi ovunque.

2.5 Strategia di Inizializzazione

Per mitigare la sensibilità all'inizializzazione nei problemi mal posti, viene impiegato un pre-addestramento in due fasi:

1. Pre-addestramento di $\phi_\omega$ per corrispondere a un'ipotesi geometrica iniziale.
2. Pre-addestramento di $U_\theta$ per soddisfare la PDE data la densità inizializzata.

3. Contributi Chiave

1. Framework Level-Set PINN: La prima applicazione dei metodi level-set all'interno del paradigma PINN specificamente per i problemi inversi di dominio nella gravimetria, evitando la necessità di elevare le dimensioni (a differenza dei precedenti metodi di interfaccia solo forward).
2. Backpropagation Consapevole dell'Interfaccia: Una strategia di addestramento innovativa che risolve il dilemma dei gradienti esplosivi/evanescenti nelle level-set PINNs ridefinendo le derivate durante la backpropagation, supportata da un'analisi dettagliata dell'errore matematico.
3. Collocazione Adattiva: Una strategia mesh-free per raffinare dinamicamente i punti di campionamento vicino all'interfaccia durante l'addestramento.
4. Analisi Teorica: Dimostrazioni riguardanti le capacità di approssimazione delle reti ReLU e tanh per gli specifici spazi di Sobolev ($W^{1,\infty}$) rilevanti per le funzioni level-set e i potenziali gravitazionali.

4. Risultati Numerici

Il metodo è validato attraverso estesi esempi numerici 2D e 3D:

• Esempio 2D (Cerchio e Parallelogramma): Il metodo recupera con successo i confini netti di forme complesse. I confronti con i baseline mostrano che le PINN standard (rappresentazione diretta della densità) falliscono nel recuperare una geometria significativa, e anche le PINN con vincoli sigmoidali performano significativamente peggio delle proposte Level-Set PINNs.
• Esempi 3D:
  • Quattro Anomalie Sferiche: Recupera con successo quattro corpi sferici distinti con interfacce nette.
  • Geometrie Miste: Recupera un parallelepipedo inclinato e altre forme complesse.
  • Densità Dipendente dalla Profondità: Gestisce con successo casi in cui il contrasto di densità $f(x)$ varia con la profondità, non solo la geometria.
• Performance: In tutti i casi, i dati di gravità predetti corrispondono ai dati misurati con alta fedeltà, e i domini ricostruiti esibiscono interfacce nette e ben definite coerenti con i modelli reali.

5. Significato e Rivendicazioni

Il documento afferma che le Level-Set PINNs forniscono una soluzione robusta ed efficace per il problema inverso di dominio della gravimetria, una classe di problemi in cui le PINN tradizionali faticano a causa delle discontinuità.

• Classe di Correttezza: Il lavoro rafforza l'utilità di restringere la gravimetria inversa alla "classe di correttezza" (problemi inversi di dominio) dove l'univocità è teoricamente garantita, piuttosto che tentare di risolvere il problema inverso generale completamente mal posto.
• Generalizzabilità: Sebbene focalizzato sulla gravimetria, gli autori suggeriscono che la metodologia offra spunti più ampi per problemi generali di ricostruzione di domini e interfacce che coinvolgono strutture discontinue.
• Direzioni Future: Il documento nota modestamente che il lavoro futuro potrebbe esplorare l'integrazione delle leggi fisiche direttamente negli strati unrolled delle reti neurali (architetture guidate dal modello), ma non propone applicazioni specifiche oltre l'ambito dello studio attuale.

Gli autori sottolineano che il loro approccio non si affida a enormi dataset di addestramento (a differenza del deep learning end-to-end), ma sfrutta le leggi fisiche e i vincoli geometrici per garantire affidabilità e generalizzazione.