Tensor-Based Reduced-Order Modeling for Optimization-Based Inverse Problems

Sintesi Tecnica: Modellazione a Ordine Ridotto Basata su Tensori per Problemi Inversi di Ottimizzazione

Enunciato del Problema
I problemi inversi governati da sistemi dinamici dipendenti dai parametri (PDE o ODE) richiedono valutazioni ripetute di un modello forward ad alta fedeltà per inferire parametri ignoti da misurazioni indirette e rumorose. Quando la dimensione dei parametri è da moderata ad alta, o quando il problema deve essere risolto ripetutamente per diverse realizzazioni dei dati (come nelle applicazioni di digital twin), il costo computazionale delle valutazioni del modello a pieno ordine (FOM) e dell'analisi di sensibilità diventa proibitivo. Le tecniche classiche di modellazione a ordine ridotto (ROM) spesso si concentrano sull'accelerazione delle risoluzioni forward, ma faticano ad affrontare la natura multidimensionale della mappa parametro-osservazione richiesta per l'ottimizzazione globale, specialmente quando i surrogati locali mancano della robustezza necessaria per l'ottimizzazione multi-start in paesaggi non convessi.

Metodologia
Gli autori propongono un framework di Modellazione a Ordine Ridotto Tensoriale (TROM) che approssima direttamente la mappa parametro-osservazione nel formato Tensor-Train (TT). A differenza dei ROM tradizionali che riducono lo spazio degli stati, questo approccio comprime la dipendenza congiunta delle osservazioni dai parametri.

1. Costruzione Offline:

   • Il dominio dei parametri viene discretizzato in una griglia, e le relative osservazioni formano un tensore $T$.
   • TT-SVD: Il tensore completo viene assemblato e compresso tramite SVD troncata delle sue matricizzazioni. Ciò fornisce un'approssimazione dell'errore controllata, ma richiede l'accesso a tutte le voci del tensore, il che diventa impraticabile per dimensioni elevate.
   • TT-Cross: Per evitare l'assemblaggio del tensore completo, gli autori impiegano l'interpolazione TT-Cross combinata con l'arricchimento AMEn (Alternating Minimal Energy). Questo metodo campiona adattivamente un piccolo sottoinsieme di voci del tensore per costruire la rappresentazione compressa, rendendolo praticabile per dimensioni dei parametri più elevate ($D \ge 6$).
   • Preprocessing: Per spazi di osservazione ampi, viene applicata una riduzione preliminare della dimensione (tramite SVD o encoder non lineari) al vettore di osservazione prima della compressione TT, per ridurre ulteriormente i costi offline.

2. Inversione e Integrazione Online:
   Il TROM è integrato in una formulazione di minimi quadrati non lineari regolarizzata ($\min_\alpha \frac{1}{2}\|f(\alpha) - y_{obs}\|^2 + \frac{\lambda}{2}\|\alpha - \alpha_{ref}\|^2$) in quattro modi specifici:

   • C1 (Approssimazione Diretta): Il surrogato $\hat{f}$ sostituisce il FOM nella funzione obiettivo.
   • C2 (Gauss-Newton in Coordinate Ridotte): Ortogonalizzando il primo core TT, il termine dei minimi quadrati viene riformulato in uno spazio di coordinate ridotte di dimensione $r_2$ (il secondo rango TT). Ciò consente l'assemblaggio delle quantità Gauss-Newton ($J^T J$ e $J^T \eta$) direttamente dalla struttura a basso rango del tensore senza dover formare l'esplicito Jacobiano dello spazio delle osservazioni.
   • C3 (Ottimizzazione Basata su Tensori): La funzione obiettivo viene minimizzata direttamente sulla griglia discreta dei parametri utilizzando la rappresentazione TT. Questo può servire come solver approssimativo stand-alone o, più efficacemente, come inizializzazione informata dai dati per una successiva risoluzione GN.
   • C4 (Analisi di Robustezza): Il metodo tiene conto sia del rumore di misura che dell'errore di approssimazione TROM nella selezione del parametro di regolarizzazione tramite il principio della discrepanza.

Esperimenti Numerici
Il framework è valutato su due distinti problemi inversi:

1. Trasferimento di Calore Inverso: Un problema di PDE parabolica in un mezzo eterogeneo che coinvolge il recupero delle posizioni e dei raggi di inclusioni a bassa conducibilità. Dimensioni dei parametri testate: $D=3, 6, 9$.
2. Stima dei Parametri di FitzHugh–Nagumo: Un sistema ODE non lineare che modella la dinamica eccitabile. Il paesaggio dell'obiettivo è altamente non convesso con molteplici minimi locali, il che lo rende sensibile all'inizializzazione.

Risultati Chiave

• Accuratezza ed Efficienza: I surrogati TROM (sia TT-SVD che TT-Cross) riproducono il comportamento dell'inversione a pieno ordine con costi online sostanzialmente ridotti. Per il problema del trasferimento di calore, i tempi di inversione online sono nell'ordine dei millisecondi, rappresentando accelerazioni di $10^3$ a $10^4$ rispetto ai metodi Gauss-Newton basati su FOM.
• Scalabilità: TT-Cross estende con successo l'approccio a $D=9$, un regime in cui l'assemblaggio del tensore completo per TT-SVD è computazionalmente impraticabile.
• Robustezza:
  • Nel problema del trasferimento di calore, il metodo rimane stabile sotto rumore di misura e variazioni di discretizzazione spaziale.
  • Nel problema di FitzHugh–Nagumo, il passo di ottimizzazione basata su tensori (C3) supera significativamente l'inizializzazione casuale. Esso identifica un bacino di attrazione vicino al minimo globale, mentre i metodi GN standard con partenze casuali convergono frequentemente verso falsi minimi locali.
  • Benefici della Profonda Integrazione: L'uso della formulazione in coordinate ridotte (C2) e dell'inizializzazione basata su tensori (C3) fornisce un ulteriore fattore di accelerazione da 4 a 8 rispetto all'inversione TROM "semplice" (dove il surrogato è usato solo per l'evaluazione forward e si usano differenze finite per i Jacobiani).

Significatività e Claim
L'articolo sostiene che il contributo primario risieda nel superare l'uso dei TROM meramente come veloci surrogati forward. Inveve, gli autori dimostrano che la struttura a basso rango del tensore può essere sfruttata durante l'intero processo di inversione per:

1. Riformulare il problema di ottimizzazione in coordinate ridotte, disaccoppiando il costo online dalla dimensione completa delle osservazioni.
2. Assemblare le informazioni di sensibilità (prodotti del Jacobiano) efficientemente senza la formazione esplicita del Jacobiano.
3. Fornire una strategia di inizializzazione robusta e informata dai dati che mitiga la sensibilità dei solver non lineari a punti di partenza poveri in paesaggi non convessi.

Gli autori concludono che, sebbene la costruzione offline del surrogato TROM comporti un costo computazionale significativo (specialmente per dimensioni elevate), le risoluzioni inverse online risultanti sono economiche, stabili e robuste. Ciò rende l'approccio particolarmente adatto ad applicazioni che richiedono inversioni ripetute, come i digital twin, a condizione che il costo offline possa essere ammortizzato. Il metodo bilancia efficacementamente l'errore di approssimazione, il rumore di misura e la regolarizzazione per produrre ricostruzioni stabili.