Technische Samenvatting: Tijd-afhankelijke PDE-geconstrueerde optimalisatie via zwak-vormige latente dynamica

Probleemstelling

Hoogdimensionale, tijd-afhankelijke partiële differentiaalvergelijkingen (PDE) geconstrueerde optimalisatieproblemen zijn computationeel onuitvoerbaar in veelvuldig gestelde ontwerp- en besturingsscenario's. Deze problemen vereisen herhaalde voorwaartse en gevoeligheidsoplossingen van hoogwaardige fysische modellen binnen iteratieve optimalisatielussen. De computationele kosten van het oproepen van hoogwaardige PDE-oplossers voor elke gradiëntevaluatie of functievraag maken dergelijke workflows onhaalbaar voor complexe systemen. Hoewel er op surrogaat gebaseerde strategieën bestaan, vertrouwen velen op het interpoleren van specifieke grootheden van belang (QoI's), wat hertraining vereist wanneer de doelen veranderen, of gebruiken ze gereduceerde orde-modellen (ROM's) die mogelijk niet robuust zijn tegen ruis in de trainingsdata of geen schaalbare gradiëntinformatie bieden.

Methodologie

Het artikel stelt een kader voor dat Zwak-vormige Latente Ruimte Dynamica Identificatie (WLaSDI) integreert in gradiëntgebaseerde PDE-geconstrueerde optimalisatie. De methodologie verloopt via vier cruciale fasen:

1. Data Sampling en Compressie: Voor een set trainingsparameters worden hoogwaardige oplossingstrajecten gegenereerd. Deze hoogdimensionale toestanden worden gecomprimeerd naar een laagdimensionale latente ruimte ($z \in \mathbb{R}^{N_z}$, waarbij $N_z \ll N_u$) met behulp van een encoder-decoder paar (bijvoorbeeld Proper Orthogonal Decomposition of auto-encoders).
2. Zwak-vormige Dynamica Identificatie: In plaats van latente dynamica te identificeren via expliciete tijdsafgeleiden (zoals bij strong-form SINDy), maakt het kader gebruik van Zwak-vormige Schatting van Niet-lineaire Dynamica (WENDy). Deze benadering projecteert de latente dynamica op gladde, compact gedragen testfuncties en past partiële integratie toe. Dit vermijdt expliciete numerieke differentiatie van potentieel ruisende trainings-trajecten, wat de robuustheid aanzienlijk verbetert. De latente evolutie wordt gemodelleerd als een parametrische gewone differentiaalvergelijking (ODE):
   $$\frac{dz}{dt}(t, \mu) = W^T(\mu) \theta(z(t, \mu))$$
   waarbij $W(\mu)$ coëfficiëntenmatrices zijn die via zwak-vormige kleinste-kwadraten worden geïdentificeerd, en $\theta(z)$ een bibliotheek is van kandidaat niet-lineaire functies.
3. Optimalisatie Herformulering: Het oorspronkelijke PDE-geconstrueerde optimalisatieprobleem wordt herformuleerd door de hoogwaardige PDE-beperkingen te vervangen door de geleerde latente ODE-beperkingen. De doelfunctie en beperkingen worden geëvalueerd door het latente traject terug te decoderen naar de fysische ruimte.
4. Gradiënt Afleiding: Om schaalbare gradiëntgebaseerde optimalisatie mogelijk te maken, leidt het artikel zowel directe-gevoeligheid als geadjungeerde-gebaseerde gradiëntexpressies af voor de gereduceerde latente dynamica. Deze formuleringen maken efficiënte berekening van gradiënten met betrekking tot ontwerpparameters $\mu$ mogelijk door lineaire systemen op te lossen die de laagdimensionale Jacobianen van de latente ODE bevatten, in plaats van de residuals van de full-order PDE.

Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen:

• Formulering van een Gereduceerd Kader: Het formuleert een op WLaSDI gebaseerd gereduceerd kader voor tijd-afhankelijke PDE-geconstrueerde optimalisatie, waarbij herhaalde hoogwaardige oplossingen worden vervangen door de efficiënte integratie van geleerde latente dynamica.
• Gradiënt Afleiding: Het leidt directe-gevoeligheid en geadjungeerde-gebaseerde gradiëntexpressies specifiek af voor de geleerde latente dynamica. Dit maakt schaalbare gradiëntevaluatie mogelijk naarmate de parameterdimensie toeneemt, een kritische vereiste voor praktische optimalisatie.
• Demonstratie van Robuustheid en Efficiëntie: Door middel van drie benchmarkproblemen wordt aangetoond dat WLaSDI accurate en efficiënte optimalisatie mogelijk maakt, terwijl het superieure robuustheid toont tegenover ruis in trainingsdata in vergelijking met strong-form LaSDI en op interpolatie gebaseerde surrogaten.

Resultaten

Het kader werd geëvalueerd aan de hand van drie tijd-afhankelijke benchmarkproblemen:

1. Inviscide Burgers-vergelijking: Een invers probleem waarbij parameters voor de beginvoorwaarde worden geïdentificeerd om een doelttoestand te matchen.

   • Accuraatheid: WLaSDI bereikte relatieve parameterfouten van $\approx 0,5\%$ zelfs met 40% additief Gaussisch ruis, en presteerde tot twee orde van grootte beter in accuraatheid dan strong-form LaSDI en Radiale Basisfunctie (RBF) interpolatie.
   • Efficiëntie: Het bood een snelheidswinst van $\approx 20\times$ ten opzichte van full-order model (FOM) optimalisatie en een snelheidswinst van $\approx 5\times$ ten opzichte van LaSDI.

2. Vlasov–Poisson Systeem: Een invers probleem voor de twee-stroom instabiliteit.

   • Accuraatheid: De methode slaagde erin om doelparameters met hoge fideliteit te herstellen onder 5% ruis.
   • Efficiëntie: WLaSDI-evaluaties duurden 0,1 seconde op één kern in vergelijking met $\approx 72$ seconden voor de FOM op 16 kernen, wat een snelheidswinst van tot vijf orde van grootte vertegenwoordigt.

3. Thermische Stralingsoverdracht (TRT) voor Hohlraum Ontwerp: Een ontwerpoptimalisatieprobleem dat gericht is op het minimaliseren van temperatuurvariatie op het oppervlak van een fusiecapsule, onderhevig aan verwarmingsbeperkingen.

   • Robuustheid: In aanwezigheid van 5% ruis convergeerde WLaSDI consequent naar het ruisvrije globale optimum, terwijl strong-form LaSDI aanzienlijke spreiding en afwijking vertoonde.
   • Efficiëntie: Het surrogaat verlaagde de computatiekosten met ongeveer vijf orde van grootte ten opzichte van FOM-optimalisatie. Het gebruik van lokale submodellen maakte geparallelliseerde training en optimalisatie mogelijk.

Betekenis en Claims

Het artikel beweert dat zwak-vormige latente dynamica een efficiënte en ruis-robuste surrogaatbasis bieden voor gradiëntgebaseerde optimalisatie van complexe tijd-afhankelijke PDE-systemen.

• Robuustheid: Door expliciete differentiatie te vermijden, levert de zwak-vormige benadering betrouwbaardere surrogaatdynamica op, wat bijzonder kritiek is wanneer trainingsdata ruisig is—aan een veelvoorkomend scenario in experimentele of hoogwaardige simulatiecontexten.
• Schaalbaarheid: De afleiding van geadjungeerde-gebaseerde gradiënten voor de latente ODE stelt het kader in staat om te schalen naar hoogdimensionale parameterruimten zonder de computationele straf die gepaard gaat met full-order geadjungeerde oplossingen.
• Flexibiliteit: In tegenstelling tot op QoI-specifieke surrogaten (bijvoorbeeld RBF-interpolatie) die hertraining vereisen voor nieuwe doelen, reconstrueert WLaSDI het volledige oplossingsveld. Dit maakt evaluatie van willekeurige QoI's en beperkingen mogelijk zonder hertraining, waardoor het aanpasbaar is aan veranderende ontwerpeisen.
• Prestatie: De resultaten tonen aan dat WLaSDI snelheidswinsten van tot vijf orde van grootte kan bereiken ten opzichte van full-order optimalisatie, terwijl het hoge nauwkeurigheid behoudt, waardoor veelvuldig gestelde workflows mogelijk worden die voorheen computationeel onuitvoerbaar waren.

De auteurs merken op dat hoewel de prestaties sterk zijn, de betrouwbaarheid van de optimalisatie uiteindelijk afhankelijk is van de nauwkeurigheid van de surrogaten, wat de noodzaak benadrukt van toekomstig werk op het gebied van onzekerheidskwantificatie en multi-fideliteitsstrategieën.