Technische Samenvatting: Datagestuurde Selectie van Lineaire Solvers en Prestatieoptimalisatie voor Multifysische Simulaties in Poreuze Media

1. Probleemstelling

Het simuleren van gekoppelde multifysische processen in poreuze media (bijv. vloeistofstroom, warmteoverdracht en poromechanica) vereist het oplossen van grote, ijle, niet-symmetrische lineaire systemen bij elke tijdstap of Newton-iteratie. Deze systemen worden doorgaans opgelost met gepreconditioneerde iteratieve methoden, zoals GMRES. De efficiëntie en robuustheid van deze solvers hangen sterk af van de keuze van de preconditioner en de bijbehorende numerieke parameters.

De kernuitdagingen die in dit werk zijn geïdentificeerd, zijn:

• Combinatorische Explosie: Preconditioners voor multifysische problemen worden vaak geconstrueerd door sub-algoritmen voor individuele fysica-componenten te combineren (bijv. Algebraic Multigrid (AMG) voor mechanica, Constrained Pressure Residual (CPR) voor stroming). Dit resulteert in een enorme configuratieruimte, variërend van duizenden tot tienduizenden mogelijke solver-configuraties (bijv. $10^4$ in de bestudeerde gevallen).
• Contextafhankelijkheid: De prestaties van een solver zijn zeer gevoelig voor de simulatietoestand (bijv. druk, temperatuur, status van breukcontact). Een configuratie die optimaal is voor één tijdstap of één specifieke set fysische parameters, kan suboptimaal zijn of zelfs volledig falen voor een andere.
• Datatekort en Relevantie: Traditionele optimalisatie vertrouwt op grote datasets verzameld uit eerdere simulaties. Echter, naarmate de simulatieopstellingen veranderen (bijv. door verschillende permeabiliteitsvelden of de locatie van putten), wordt historische data minder representatief. Het verzamelen van een uitgebreide dataset voor elk nieuw scenario is computationeel onbetaalbaar, aangezien het testen van alle configuraties dagen kan duren.
• Expertisekloof: Het handmatig afstemmen van deze solvers vereist aanzienlijke deskundige kennis, die niet altijd beschikbaar is voor simulatie-engineers.

De onderzoeksvraag die wordt gesteld is: Hoe kunnen we een selectie-algoritme voor gepreconditioneerde lineaire solvers ontwerpen dat sterke simulatieprestaties garandeert, terwijl de tijd besteed aan het verkennen van suboptimale solvers wordt geminimaliseerd, vooral wanneer historische data onvoldoende of irrelevant is?

2. Methodologie

De auteurs stellen een datagestuurd, adaptief solver-selectiealgoritme voor dat tijdens de runtime van de simulatie opereert. De aanpak maakt gebruik van een tweefasige machine learning (ML) pipeline die zijn beleid continu bijwerkt op basis van feedback van de huidige simulatie.

2.1 Solver Configuratie Ruimte

Het algoritme behandelt de selectie van een solver als een optimalisatieprobleem over een configuratieruimte $\mathcal{A}$. Elke configuratie $a \in \mathcal{A}$ wordt gecodeerd als een vector die bestaat uit:

• Categorische beslissingen: Algoritmekeuzes (bijv. GMRES versus Direct, CPR versus System-AMG, specifieke AMG-varianten zoals BoomerAMG of GAMG).
• Numerieke parameters: Afstembare hyperparameters (bijv. AMG strong thresholds, relaxatietypes, GMRES restart waarden).
  Deze worden gecodeerd in binaire en reële vectoren om te dienen als ML-inputs.

2.2 Simulatie Context

Om de contextafhankelijkheid van de solver-prestaties aan te pakken, gebruikt het algoritme een simulatie contextvector $c$. Deze vector comprimeert de volledige simulatietoestand $\chi$ naar een vast aantal kenmerken, zoals:

• Tijdstapgrootte ($\Delta t$).
• CFL-getal.
• Temperatuur- en drukgrenzen.
• Flux-magnitudes (enthalpie, diffusie).
• Mesh-kwaliteitsmetingen.
• Permeabiliteitsschattingen (voor heterogene gevallen).

2.3 De Machine Learning Pipeline

Het selectieproces maakt gebruik van een sequentiële pipeline van twee ML-modellen:

1. Classifier: Voorspelt de kans op succes ($S$) voor een gegeven configuratie $a$ en context $c$. Configuraties die voorspeld worden te falen, worden weggefilterd.
2. Regressor: Schat de verwachte beloning ($R$) in, gedefinieerd als de negatieve logaritme van de oplostijd ($-\log T$) voor de resterende configuraties.

De uiteindelijke selectie $a_{pred}$ is de configuratie die de voorspelde beloning maximaliseert onder de configuraties die voorspeld worden te slagen:
$$a_{pred} = \arg\max_{a \in \mathcal{A}} r(a, c) \quad \text{onder de voorwaarde dat} \quad s(a, c) = \text{true}$$

2.4 Leerstrategie

Het algoritme werkt in twee fasen om een balans te vinden tussen exploratie en exploitatie:

• Initiële Exploratie: Aan het begin van een simulatie (of wanneer er geen relevante historische data aanwezig is), selecteert het algoritme willekeurige configuraties voor een vast aantal lineaire systemen ($num_{initial} = 64$ in de experimenten). Dit verzamelt initiële prestatiedata die specifiek is voor de huidige simulatieopstelling.
• Incrementeel Leren: De ML-modellen (Gradient Boosting classifiers en regressors) worden in batches bijgewerkt. Na de initiële fase selecteert het algoritme de beste voorspelde configuratie voor elk nieuw lineair systeem. Als de solver faalt, probeert het opnieuw met een nieuwe configuratie. De prestatiedata (context, configuratie, succes/falen, tijd) wordt verzameld en gebruikt om de modellen periodiek opnieuw te trainen.

3. Belangrijkste Bijdragen

• Adaptief Selectiekader: Het paper presenteert een nieuw kader dat prestatiedata on-the-fly verzamelt tijdens de doelsimulatie, in plaats van te vertrouwen op vooraf verzamelde datasets van andere opstellingen. Dit lost het probleem van de datarelevantie op bij veranderende simulatieomgevingen.
• Omgaan met Grote Configuratie Ruimtes: De methode is ontworpen om te opereren binnen een ruimte van $\approx 10^4$ configuraties, waarbij een classifier wordt gebruikt om waarschijnlijke fouten te filteren voordat een regressor wordt toegepast voor de schatting van de prestaties.
• Contextbewuste Optimalisatie: Door expliciet simulatie contextkenmerken op te nemen, past het algoritme zich aan de veranderende fysica van het probleem aan (bijv. de overgang van diffusieve naar advectieve warmteoverdracht regimes).
• Implementatie met Lage Overhead: De auteurs demonstreren dat de computationele kosten van de ML-inferentie en het hertrainen verwaarloosbaar zijn vergeleken met de tijd die nodig is om de lineaire systemen op te lossen.

4. Numerieke Experimenten en Resultaten

Het algoritme werd geëvalueerd op twee tijdgebonden niet-lineaire modelproblemen:

1. Sequentie A: Gekoppelde vloeistofstroom en warmteoverdracht in een heterogeen poreus medium (gebaseerd op SPE10 benchmarks). Configuratie ruimte: ~14.415 opties.
2. Sequentie B: Thermo-poromechanica met breuken en contactmechanica. Configuratie ruimte: ~32.000 opties.

Belangrijkste Bevindingen:

• Robuustheid en Efficiëntie: Het solver-selectiealgoritme slaagde erin om slechte configuraties (die falen in convergentie of excessieve tijd in beslag nemen) te vermijden.
  • In Sequentie A bereikte het succespercentage na de initiële exploratie 88,88%, vergeleken met 64,5% bij willekeurige selectie.
  • In Sequentie B bereikte het succespercentage 99,92%, vergeleken met 91,3% bij willekeurige selectie.
• Prestatie Nabijheid tot Optimaal: Het algoritme selecteerde consistent configuraties die binnen de top 1,9% tot 2,7% van alle mogelijke configuraties vielen wat betreft de oplostijd.
• Vergelijking met "Expert" Baseline: De auteurs vergeleken hun adaptieve aanpak met een "expert" baseline die toegang had tot alle prestatiedata verzameld van eerdere runs (wat een scenario met perfecte voorkennis simuleert).
  • Het adaptieve algoritme presteerde vergelijkbaar met de expert-baseline.
  • In Sequentie B presteerde de adaptieve aanpak soms beter dan de expert-baseline, omdat de noodzaak voor de expert om te trainen op een massale dataset meer overhead introduceerde, terwijl de adaptieve methode een kleinere, meer relevante dataset gebruikte.
• Overhead: De machine learning overhead was verwaarloosbaar (ongeveer 0,02–0,04 seconden per lineair systeem), terwijl de oplostijden van de lineaire systemen in de orde van grootte van seconden tot minuten lagen.

5. Betekenis en Claims

Het paper claimt dat de voorgestelde aanpak effectief de uitdaging van solver-selectie en -afstemming in multifysische simulaties aanpakt waarbij:

1. De configuratieruimte te groot is voor een volledige zoektocht.
2. Historische prestatiedata onvoldoende of irrelevant is vanwege veranderingen in de simulatieopstelling.
3. Deskundige kennis voor handmatige afstemming niet beschikbaar is.

De auteurs benadrukken dat hun methode een praktische oplossing biedt voor simulatie-engineers, wat leidt tot robuuste en efficiënte simulaties met minimale handmatige interventie. De resultaten suggereren dat "goedkope afstemming on-the-fly" prestaties kan opleveren die bijna identiek zijn aan die van een expert met volledige voorkennis, zonder de verbijsterende kosten van het verzamelen van enorme historische datasets. De aanpak is bijzonder waardevol voor industriële schaal simulaties waar betrouwbaarheid en automatisering cruciaal zijn.