Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems

Technische Samenvatting: Sequentiële Structuurgevoelige Residuele Diagnostiek voor PDE Inverse Problemen

Probleemstelling
In de computationele wetenschap en techniek houden inverse problemen in dat modelparameters worden afgeleid uit observaties. Een cruciale, vaak over het hoofd geziene stap is het beoordelen of een aangepast model adequaat is voor voorspellingen. De standaardpraktijk vertrouwt op residu-norm diagnostiek, zoals Morozovs discrepantieprincipe of vaste-steekproef $\chi^2$-testen, die controleren of de grootte van de residuen consistent is met het aangenomen ruisniveau.

Dit artikel betoogt dat dergelijke op grootte gebaseerde diagnostiek misleidend is in vloeiende (smoothing) PDE-inverse problemen. In dergelijke problemen kunnen gestructureerde modelfouten (misspecificatie) worden gedempt door de forward operator in de observatieruimte. Bij consequentie kan de residu-norm onder praktische discrepantiedrempels blijven, zelfs terwijl coherente, systematische residupatronen aanhouden. Dit leidt tot de acceptatie van aangepaste modellen die gebiaste parameters en materieel onjuiste 'quantities of interest' (QoIs) opleveren, ondanks dat ze "consistent" lijken met de ruis.

Methodologie
De auteurs stellen een structureel gevoelige sequentiële diagnostiek voor op basis van e-processen uit de speltheoretische statistiek. De methode werkt als een post-fit diagnostiek op een vaste parameterschatting $\hat{\theta}$.

1. Expert Portfolio: De methode maakt gebruik van een "bank" van experts, waarbij elke expert test op een specif af specifiek ruimtelijk residupatroon. Deze patronen zijn afkomstig uit een woordenboek van gladde, laagfrequente basisfuncties (Fourier-modi en polynomen) die relevant zijn voor de geometrie van de PDE.
2. E-proces Constructie: Elke expert fungeert als een likelihood-ratio weddenschap tegen de nulhypothese dat de residuen zuivere ruis zijn ($N(0, \sigma^2)$). De experts worden gecombineerd in een universeel portfolio (een mengeling van likelihood-ratio's).
3. Sequentiële Monitoring: Naarmate observaties binnenkomen, wordt de "rijkdom" (wealth) van het portfolio (de geaggregeerde likelihood-ratio) bijgewerkt. De diagnostiek verwerpt het aangepaste model als de geaggregeerde rijkdom een voorgeschreven drempel ($1/\alpha$) overschrijdt.
4. Anytime-Valid Controle: Door gebruik te maken van de eigenschappen van e-processen en Ville's ongelijkheid, garandeert de methode anytime-valid type-I foutcontrole. Dit betekent dat de analist de diagnostiek herhaaldelijk kan inspecteren, de dataverzameling vroegtijdig kan stoppen, of kan doorgaan met het verzamelen van gegevens op basis van voorlopige bewijzen zonder de fout-positieve ratio op te blazen.
5. Attributie: Bij verwerping attibueert de verdeling van de rijkdom over het expertportfolio het bewijs aan specifieke ruimtelijke residupatronen, wat interpreteerbare sturing biedt voor modelcorrectie.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

1. Formulering: Het formuleert een portfolio e-proces voor residupatroondetectie dat anytime-valid vroege waarschuwingen biedt voor een vast aangepast model.
2. Attributie: Het demonstreert hoe portfolio-gewichten interpreteerbare attributie bieden aan ruimtelijke residupatronen, wat parsimonieuze vervolgcorrecties suggereert.
3. Empirische Demonstratie: Het toont aan, over drie verschillende PDE-inverse problemen, dat standaard discrepantiecontroles aangepaste modellen kunnen accepteren met kleine maar gestructureerde residuen, wat leidt tot gebiaste QoIs, terwijl de voorgestelde methode deze fouten eerder en met structuurgevoeligheid detecteert.

Experimentele Resultaten
De methode werd geëvalueerd op drie inverse problemen:

• 1D Poisson Diffusiviteit: Een gecontroleerd synthetisch probleem waarbij misspecificatietypes (piecewise, Gaussian bump, three-step, lineair) varieerden.
  • Resultaat: In het "lineaire" geval was de modelerror sub-ruis ($\|\mu^*\| < \sigma$). De Morozov-check en vaste-steekproef $\chi^2$-testen faalden om de fout te detecteren (of vereisten de volledige dataset), terwijl de e-proces de fout sequentieel detecteerde met slechts 9% van de data. Cruciaal was dat het geaccepteerde model QoI-fouten produceerde van tot wel 15,3% (puntvoorspelling) en 7,8% (regionaal gemiddelde).
• 2D Stokes Flow (Basale Drag): Een slecht gestelde (ill-posed) grensinferentie-probleem waarbij fouten op basisniveau naar het oppervlak worden afgevlakt.
  • Resultaat: Een gemispecificeerd model ($K=3$ versus ware $K=4$) produceerde oppervlak-residu's consistent met ruis (RMS/$\sigma \approx 1,35$). Morozov accepteerde de fit, maar de e-proces detecteerde de structurele inadequaatheid na slechts 10% van de observaties. De geïnformeerde basale drag was kwalitatief onjuist, waardoor de locatie van de minimale drag, die cruciaal is voor de stabiliteit van de grondlijn, werd verplaatst.
• Icepack (Glaciologische Ijsstroom): Een community finite-element model dat de Shallow Shelf Approximation (SSA) gebruikt.
  • Resultaat: Vergelijkbaar met Stokes, detecteerde de e-proces de structurele misspecificatie ($K=3$ versus ware $K=4$), terwijl Morozov de fit accepteerde. Het geaccepteerde model resulteerde in een fout van 36% in de voorspelde terminus ijsflux.
• Model Reparatie: De rijkdomverdeling in de Poisson-experimenten identificeerde succesvol de dominante residumodi. Het gebruik van deze top-modi om een discrepantiecorrectie aan te passen, verminderde de QoI-fouten van ~15% naar ~3-4%, wat de prestaties van een blinde regressie op de volledige basis benaderde.

Significantie en Claims
Het artikel claimt dat de e-proces een praktische workflow biedt voor het detecteren van residustructuur tijdens data-acquisitie, een capaciteit die ontbreekt bij standaard batch- of magnitude-gebaseerde testen. De significantie ligt in:

• Vroege Detectie: Het identificeert misspecificatie vanaf een fractie van de observaties, vaak voordat de residumagnitude groot genoeg wordt om standaard controles te triggeren.
• Interpreteerbaarheid: In tegenstelling tot black-box verwerping, identificeert de rijkdomverdeling welke ruimtelijke patronen de gebrekkige fit drijven, wat sturing geeft aan exploratieve modelcorrectie.
• Robuustheid: De methode is computationeel efficiënt (post-processing stap, $O(K)$ per observatie) en vereist geen wijziging aan de forward solver of hertraining.
• Validiteit: Het biedt rigoureuze type-I foutcontrole onder optionele stopping, wat het geschikt maakt voor settings waarin diagnostiek herhaaldelijk wordt geïnspecteerd of dataverzameling adaptief is.

De auteurs merken beperkingen op: de methode gaat uit van een vaste $\hat{\theta}$ (conditionele validiteit) en een bekend ruisniveau $\sigma$. Hoewel robuust tegen overschatting van ruis, verbreekt onderschatting de validiteitsgarantie. Het framework is ontworpen voor post-fit diagnostiek op punt-schattingen, niet voor volledig online her-fitten van parameters, wat extra waarborgen zoals universele inferentie zou vereisen.