Technische Samenvatting: Counterfactual Operator Relevantie voor PDE Ontdekking

1. Probleemstelling

Data-gedreven ontdekking van partiële differentiaalvergelijkingen (PDE's) vertrouwt vaak op sparse regressiemethoden (bijv. SINDy, PDE-FIND) om actieve termen te selecteren uit een kandidaat-bibliotheek. Een hardnekkige beperking van deze benaderingen is de verwarring tussen residuele fit en functionele noodzakelijkheid. Een term kan een niet-nul coëfficiënt krijgen of het residu verminderen simpelweg omdat deze gecorreleerd is met andere kenmerken, omdat de trajectorie slechts een nauwe subspace exciteert, of omdat de afgeleide schattingen ruis bevatten. Bijgevolg is de grootte van het residu alleen een onbetrouwbare indicator voor de structurele belangrijkheid van een operator.

Bovendien houden standaard ontdekkingsmethoden geen rekening met:

• Operator Aliasing: Wanneer verschillende combinaties van operatoren identieke residuen produceren op een specifieke dataset (bijv. single-mode trajectorieën).
• Constraint-Null Onidentificeerbaarheid: Wanneer operatoren verdwijnen op de toegestane constraint-klasse van de data (bijv. divergentievrije velden), waardoor hun coëfficiënten onidentificeerbaar worden.
• Gebrek aan Causale Diagnostiek: Bestaande methoden maken geen rigoureus onderscheid tussen termen die louter een fit verbeteren en termen die functioneel noodzakelijk zijn om de dynamica van het systeem te reproduceren.

2. Methodologie: Counterfactual Operator Interventies

Het paper stelt een framework voor gebaseerd op counterfactual operator interventies. In plaats van uitsluitend te vertrouwen op de grootte van de coëfficiënt, test de methode of een kandidaat-term functioneel noodzakelijk is door de "factuele" trajectorie (het passende model) te vergelijken met een "counterfactual" trajectorie (het model waarbij de term verwijderd of geperturbeerd is).

Kerndefinities

• Interventie: Het vervangen van een kandidaat-operator $T_j$ of zijn coëfficiënt $\alpha_j$ door een gewijzigde versie (bijv. verwijdering).
• Counterfactual Respons: De afwijking $\delta_j = \|u - u^{cf}_j\|$ tussen de factuele oplossing $u$ en de counterfactual oplossing $u^{cf}_j$.
• Relevantie: Een term $T_j$ wordt als relevant beschouwd als $\delta_j \geq \varepsilon$ voor een gespecificeerde tolerantie $\varepsilon$, relatief aan een specifieke bibliotheek, experimentklasse en norm.

Theoretisch Kader

Het paper formaliseert zes belangrijke theoretische resultaten:

1. Residual-Counterfactual Gap Theorem: Bewijst dat het effect van het verwijderen van een operator wordt beheerst door de inverse geliniariseerde PDE-map ($L_u^{-1}$), en niet enkel door de grootte van het residu. Een grote residuele bijdrage garandeert geen grote counterfactual afwijking als de inverse map de perturbatie dempt.
2. Certified Decision Theorem: Stelt foutmarges vast voor het classificeren van termen als relevant, irrelevant, of abstaining (onopgelost) op basis van de surrogate foutbounds van de numerieke of neurale benaderingen.
3. Aliasing Theorem: Karakteriseert niet-identificeerbaarheid via de nulruimte van de operator-evaluatie designmatrix. Als twee coëfficiëntvectoren gealiased zijn (dezelfde design output produceren), kan geen enkele residu-gebaseerde procedure hen onderscheiden.
4. Constraint-Manifold Theorem: Bewijst dat operatoren die verdwijnen op de invariante constraint-klasse van de data (bijv. $\nabla(\nabla \cdot E)$ voor divergentievrije velden) niet geïdentificeerd kunnen worden uit trajectorieën die beperkt zijn tot die klasse.
5. Pruning-Consistency Theorem: Demonstreert dat een tweestaps-proces — sparse residual screening (om een kandidaat-support voor te stellen) gevolgd door counterfactual deletion (om irrelevante termen te snoeien) — de functioneel relevante support herstelt onder specifieke recall- en margecondities.
6. Observable-Level Adjoint Theorem: Breidt relevantietesten uit van full-state afwijkingen naar specifieke wetenschappelijke grootheden van belang (bijv. massa, energie, flux) met behulp van adjoint sensitiviteiten.

Operationeel Protocol

Het paper schetst een tienstaps designprotocol (D1–D10) voor herbruikbare PDE ontdekking:

• Anchoring: Gebruik van anchored regression om triviale oplossingen in homogene PDE's te vermijden.
• Design Diagnostics: Rapporteren van coherentie en restricted eigenvalue proxies om identificeerbaarheid te beoordelen.
• Conservative Screening: Afstemmen van sparse regression voor hoge recall (het accepteren van false positives) in plaats van exacte support recovery.
• Counterfactual Pruning: Verwijderen van termen uit de gescreende set en het berekenen van afwijkingsscores om functioneel irrelevante termen te filteren.
• Reporting: Expliciet vermelden van de bibliotheek, experimentklasse, observatievenster, norm en drempelwaarde voor elke relevantieclaim.

3. Experimentele Validatie

Het framework wordt gevalideerd op zowel synthetische benchmarks als publieke geofysische datasets.

Synthetische Experimenten

Synthetische gevallen zijn ontworpen om specifieke theoretische mechanismen te verifiëren:

• Residual-Counterfactual Gap: Demonstreert gevallen waar een term een hoge residuele bijdrage heeft maar een lage deletiescore.
• Single-Mode Aliasing: Bevestigt dat collinear operator-kolommen (bijv. in een single-mode reactie-diffusie systeem) afzonderlijke identificatie van coëfficiënten verhinderen.
• Multi-Trajectory Separability: Toont aan dat het toevoegen van diverse trajectorieën de conditionering van de designmatrix en de scheidbaarheid van operatoren verbetert.
• Constraint-Null Non-identifiability: Valideert dat operatoren die verdwijnen op de constraint-klasse (bijv. $\nabla(\nabla \cdot E)$) een bijna nul-deletiescore opleveren en correct worden geïdentificeerd als niet-identificeerbaar.

Real-Data Experimenten

De methode wordt toegepast op publieke geofysische velden:

1. Atmospheric Reanalysis (ERA5): Over de Uganda/Oost-Afrika regio.
   • Resultaat: De designmatrix was slecht geconditioneerd (coherentie 0.6788, weinig samples). De sparse screen selecteerde geen actieve operatoren, en het framework rapporteerde het resultaat correct als unresolved/abstained. Dit demonstreert het vermogen van de methode om overfitting te voorkomen wanneer data ontoereikend is.
2. NOAA OISST (Zeeoppervlaktetemperatuur): Over de westelijke Indische Oceaan.
   • Resultaat: De design was beter geconditioneerd. De sparse screening selecteerde vijf termen ($u_x, u_y, \Delta u, |\nabla u|^2$, constante). Counterfactual pruning reduceerde dit tot twee functioneel relevante termen: de meridionale gradiënt ($u_y$) en de constante term. De overige termen, hoewel geselecteerd door regressie, hadden deletiescores onder de relevantiedrempel.

4. Belangrijkste Bijdragen en Claims

Het paper claimt niet automatisch "ware natuurwetten" uit data te extraheren. In plaats daarvan claimt het een rigoureus diagnostisch laag te bieden voor PDE ontdekking.

• Onderscheid van Concepten: Het formaliseert het onderscheid tussen "residuele bruikbaarheid" en "counterfactual operator relevantie".
• Diagnostische Capaciteit: Het biedt instrumenten om te detecteren wanneer support recovery onmogelijk is door aliasing of constraints, in plaats van deze mislukkingen te behandelen als optimalisatiefouten.
• Screening-to-Pruning Workflow: Het vestigt een contract waarbij sparse regressie fungeert als kandidaat-generator, en counterfactual deletion fungeert als de relevantiefilter.
• Rapporteringsstandaarden: Het verplicht dat elk ontdekt operator-set wordt gerapporteerd als een conditionele relevantie-set relatief aan een specifiek experimenteel design, bibliotheek en tolerantie, wat de misinterpretatie van lokale bevindingen als universele natuurwetten voorkomt.

5. Betekenis

De betekenis van dit werk ligt in de bescheidenheid en de rigor. Het adresseert de "black box"-natuur van de huidige scientific machine learning door een theoretische basis te bieden voor:

1. Waarom bepaalde termen worden geselecteerd (of niet) buiten de eenvoudige minimalisatie van residuen om.
2. Wanneer een ontdekkingsprocedure moet onthouden (abstain) om een claim te maken vanwege ontoereikende data of design-conditionering.
3. Hoe resultaten te rapporteren op een manier die reproduceerbaar is en eerlijk is over de beperkingen die worden opgelegd door de experimentklasse en de bibliotheek.

Het paper concludeert dat, hoewel het het probleem van onvoorwaardelijke PDE-ontdekking niet oplost, het een noodzakelijk framework biedt om onderscheid te maken tussen functionele noodzakelijkheid en statistische correlatie in data-gedreven wetenschappelijke modellering.