Technische Samenvatting: Online Spectrale Deflatie voor Optimal Control Problemen met Toestandsrestricties

1. Probleemstelling

Het artikel behandelt parametrische PDE-beperkte optimal control problemen met puntwijze toestandsrestricties. Een representatieve toepassing is het thermisch beheer van grote energie-assets (bijv. transformatoren), waarbij een gedistribueerde warmtebron $u$ een temperatuurveld $y$ naar een gewenst profiel $y_d$ moet sturen, terwijl een veiligheidsgrens $\psi$ wordt gerespecteerd.

De kern van de computationele uitdaging ontstaat in de many-query setting (ontwerpstudies, digitale tweelingen, onzekerheidskwantificatie), waarbij hetzelfde beperkte optimalisatieprobleem herhaaldelijk moet worden opgelost voor variërende parameters $\theta$ (bijv. operationele condities, materiaaleigenschappen).

Het obstakel van de Actieve-Set Volatiliteit

Toestandsrestricties worden doorgaans afgedwongen via een Primal Active-Set (PAS) strategie. In elke iteratie wordt het domein verdeeld in:

• Actieve Set ($\mathcal{A}$): Waar de toestandsrestrictie actief is ($y = \psi$).
• Inactieve Set ($\mathcal{I}$): Waar de toestand vrij is ($y < \psi$).

Na eliminatie van de controle- en adjointvariabelen reduceert het probleem tot het oplossen van een Schur-complement systeem beperkt tot de inactieve set:
$$M_{\mathcal{I}\mathcal{I}}(\theta) \mathbf{y}_{\mathcal{I}} = \mathbf{b}_{\mathcal{I}}$$
Dit systeem is Symmetrisch Positief Definiet (SPD). Echter, naarmate de parameter $\theta$ verandert, verandert de actieve/inactieve partitie niet-glad (discontinu). Bijgevolg varieert de beperkte operator $M_{\mathcal{I}\mathcal{I}}$ in:

1. Dimensie (omvang van de inactieve set).
2. Sparsity patroon.
3. Spectrum.

Deze volatiliteit maakt standaard hergebruikstrategieën ineffectief:

• Sparse directe factorisaties moeten voor elke instantie opnieuw worden opgebouwd.
• Algebraic Multigrid (AMG) hiërarchieën vereisen reconstructie.
• Instance-to-instance Krylov recycling faalt omdat de spectrale informatie van een vorig beperkt systeem niet noodzakelijkerwijs overdraagbaar is naar het volgende systeem vanwege de abrupte verandering in de structuur van de operator.

2. Methodologie: Herbruikbare Spectrale Deflatie

De auteurs stellen een strategie voor die vermijdt om spectrale informatie tussen opeenvolgende beperkte systemen te recyclen. In plaats daarvan verankeren zij de herbruikbare informatie aan een enkele full-domain referentie Schur-complement ($M_{\text{ref}}$).

Kernalgoritme (A-DEF2)

De methode maakt gebruik van A-DEF2 gedefleerde Conjugate Gradient (CG):

1. Constructie van de Referentiebasis: Bereken eenmaal (offline) de $r_{\text{pool}}$ kleinste eigenparen $(\lambda_j, \phi_j)$ van een vaste referentie-operator $M_{\text{ref}} = \alpha A(\theta_{\text{ref}})^\top A(\theta_{\text{ref}}) + I$.
2. Online Restrictie: Voor een nieuwe parameterinstantie $\theta$ met inactieve set $\mathcal{I}$, wordt de vooraf berekende eigenmodi beperkt tot $\mathcal{I}$: $\phi_j|_{\mathcal{I}}$.
3. Orthonormalisatie: Pas QR-factorisatie toe op de beperkte vectoren om de deflatiebasis $Z$ te vormen.
4. Gedefleerde Solve: Gebruik $Z$ als een deflatiebasis in het A-DEF2 algoritme. Dit omvat een grove correctiestap gevolgd door een gepreconditioneerde CG op de geprojecteerde operator $P^\top M_{\mathcal{I}\mathcal{I}} P$, waarbij $P$ de $M_{\mathcal{I}\mathcal{I}}$-orthogonale projectie is.

Varianten voor Basisconstructie

Om verschillende regimes te behandelen en kosten te reduceren, introduceert het artikel enkele verbeteringen:

• Rayleigh–Ritz Re-selectie: Een optionele stap waarbij, na restrictie, een kleine dichte eigenprobleem wordt opgelost op de kandidaat-pool om de beste $r_{\text{defl}}$ vectoren te selecteren. Dit stabiliseert de basis in fragiele regimes (bijv. 2D high-rank Laplacian) waar eenvoudige restrictie leidt tot slechte conditionering.
• POD Verrijking: Online verrijking met Proper Orthogonal Decomposition (POD) snapshots van eerder opgeloste instanties. Deze worden samengevoegd met de referentie-eigenmodi via QR-orthogonalisatie, onderworpen aan conditioneringsbewaking.
• Coarse-Grid Prolongation: Om de hoge kosten van het berekenen van fine-grid eigenmodi te vermijden, worden eigenmodi op een grover rooster berekend en naar het fijne rooster geprolongeerd via multilineaire interpolatie. Dit vermindert de offline eigensolve-kosten met een factor $c^d$ (waarbij $c$ de coarsening factor is).
• Analytische Eigenmodi: Voor tensorproduct-roosters met constant-coefficient Laplacian referenties zijn eigenmodi beschikbaar in gesloten vorm (Kronecker-producten van sine-vectoren), wat de offline precompute reduceert tot sub-seconde tijden.

Conditioneringsbewaking

De methode bevat twee drempelwaarden om stabiliteit te garanderen:

• $\tau_{\text{safe}}$ (Constructie): Stopt de verrijking van POD-modi als de conditionele matrix van het grove rooster een conservatieve limiet overschrijdt ($10^4$).
• $\tau_{\text{cond}}$ (Solve-tijd): Als de conditionering van het grove systeem tijdens de solve-tijd een hogere limiet overschrijdt ($10^{10}$), valt de solver terug op een standaard Jacobi-gepreconditioneerde CG.

3. Theoretische Rationalisatie: Spectrale Coherentie

De effectiviteit van de methode berust op een spectrale coherentie fenomeen. Hoewel de beperkte operator $M_{\mathcal{I}\mathcal{I}}$ in dimensie en spectrum verandert, blijft de laagfrequente subspace uitgelijnd met de laagfrequente subspace van de volledige referentie-operator $M_{\text{ref}}$.

• Dit wordt gemotiveerd door Cauchy interlacing (voor hoofdsubmatrices) en de Davis–Kahan sin $\Theta$ stelling (voor eigenspace perturbatie).
• Empirische diagnostiek (hoofddiagonalen/hoeken) laat zien dat hoewel de worst-case hoeken tussen subspaces $90^\circ$ kunnen bereiken, de hoeken voor de leidende deflatie-modi (bijv. de eerste 20) klein blijven (bijv. $< 8.4^\circ$), wat garandeert dat de deflatiebasis effectief blijft.

4. Belangrijkste Bijdragen

1. Herbruikbare Spectrale Deflatie Strategie: Een methode voor herhaalde inactieve-set solves die de basis verankert aan een full-domain referentie-operator in plaats van te recyclen tussen beperkte instanties.
2. Referentie-Operator Perspectief: Een framework waarbij de lage eigenmodi van een full-domain Schur-complement online worden beperkt tot parameter-afhankelijke inactieve sets.
3. Spectrale Coherentie Interpretatie: Een verklaring van de effectiviteit van de methode gebaseerd op principal-submatrix structuur en subspace perturbatie, gevalideerd door principal-angle diagnostiek.
4. Praktische Basisconstructie: Ontwikkeling van varianten inclusief coarse-grid prolongatie, analytische modi, POD verrijking en Ritz-stabilisatie, met expliciete conditioneringsbewaking.

5. Numerieke Resultaten

De methode werd geëvalueerd op 15 benchmark-configuraties (diffusie, convectie-diffusie, niet-lineaire thermische, conjugate heat transfer) in 2D en 3D, plus een ruimte-tijd extensie.

Reductie van Iteraties

• Steady-State: Deflatie reduceerde CG-iteraties met 55–98% vergeleken met cold Jacobi-gepreconditioneerde CG.
  • 3D configuraties vertoonden reducties van 60–92% bij rank $r=500$.
  • 2D configuraties vereisten Ritz re-selectie of POD merging om een reductie van 86–98% te bereiken vanwege conditioneringsproblemen bij hoge ranks.
• Space-Time: Voor parabolische problemen bereikte een Kronecker temporele basis een reductie van 56–85%, terwijl constant-in-time bases de temporele dynamiek niet konden vatten.

Wall-Time Prestaties (GPU vs. CPU)

• Hardware: GPU (NVIDIA H200/H100) vs. CPU (Intel Xeon/Azure).
• Versnelling:
  • 3D: GPU gedefleerde CG was 591–973× sneller per instantie dan CPU sparse direct solvers bij $50^3$ roosters (125K DOF).
  • Vergelijking met AMG: Ondanks dat AMG minder iteraties vereist, was GPU gedefleerde CG 13–18× sneller dan CPU AMG-RS vanwege de lagere per-iteratie kosten op de GPU en het feit dat AMG-hiërarchieën voor elke instantie opnieuw moeten worden opgebouwd, terwijl de deflatiebasis wordt hergebruikt.
• Amortisatie:
  • Met fine-grid eigensolves domineert de offline kosten bij kleine batches.
  • Met coarse-grid prolongatie of analytische modi wordt de offline kosten drastisch verminderd.
  • Break-even: Met coarse-grid methoden wordt de geamortiseerde versnelling over CPU direct solvers gerealiseerd binnen 4–32 instanties (afhankelijk van dimensie en coarsening). Met analytische modi voor tensorproduct-roosters vindt de break-even al plaats bij de eerste instantie.

Nauwkeurigheid

Alle gedefleerde solves kwamen overeen met de CPU sparse direct oplossing binnen de voorgeschreven Krylov tolerantie ($10^{-10}$), met relatieve toestandsfouten vergelijkbaar met cold CG (medianen $\sim 10^{-10}$). De versnellingen komen niet voort uit nauwkeurigheidsverlies.

6. Betekenis en Claims

Het artikel claimt dat deze aanpak een hardware-onafhankelijke maatstaf voor versnelling (iteratie-reductie) biedt en substantiële wall-time winsten oplevert in GPU-deployments.

• Complementariteit: De methode versnelt de herhaalde high-fidelity lineaire algebra zonder de optimal control solve te vervangen door een surrogaat (in tegen tegenstelling tot Reduced Order Modeling of DeepONets). Het behoudt het discrete beperkte optimaliteitssysteem.
• Robuustheid: Het is robuust tegen de combinatorische veranderingen geïnduceerd door actieve-set updates, een scenario waarin standaard Krylov recycling faalt.
• Schaalbaarheid: De methode is goed geschikt voor GPU-executie, gebruikmakend van sparse matrix-vector producten en kleine dichte coarsen solves.
• Beperkingen: De spectrale coherentie is empirisch gevalideerd maar niet formeel bewezen voor alle regimes. De methode is momenteel beperkt tot gestructureerde roosters voor analytische modi en vertrouwt op expliciete Schur-complement assemblage voor de eigensolve, wat de geteste roostergroottes beperkt tot $\sim 125.000$ DOF (steady) en $\sim 540.000$ DOF (space-time). Schalen voorbij $10^6$ DOF zou matrix-vrije eigensolvers vereisen.

De auteurs concluderen dat door de deflatiebasis te verankeren aan een stabiele referentie-operator, zij de problematische volatiliteit van actieve-set veranderingen kunnen overwinnen om state-constrained optimal control problemen over vele parameter-instanties heen effectief op te lossen.