PhyRes-MDNF: Physics-Coupled Residual GNN Correction for Multilevel Discrete Neural Field Inversion

Technische Samenvatting: PhyRes-MDNF voor PDE-beperkte inverse problemen

Probleemstelling
Coëfficiëntinversie voor elliptische partiële differentiaalvergelijkingen (PDE's) is inherent slecht conditioneel. Spaarzame observaties bieden zwakke beperkingen op fijnmazige parameters, en directe optimalisatie op één resolutie vereist het herstellen van zowel de toestandsvelden als de coëfficiëntvelden over alle schalen tegelijkertijd. Dit leidt tot optimalisatiepaden die traag zijn, zeer gevoelig zijn voor initialisatie en de neiging hebben om vast te lopen in onnauwkeurige lokale minima voordat grootschalige structuren zijn geïdentificeerd. Hoewel Physics-Informed Neural Networks (PINNs) een per-instantie aanpak bieden zonder offline trainingsdata, kunnen zij spectrale bias, verlies-imbalans en een mismatch tussen continue automatische differentiatie en de discrete operatoren die worden gebruikt voor de interpretatie van metingen introduceren. Daarentegen vereisen geleerde surrogaten uitgebreide offline datasets en riskeren zij dat benaderingsfouten worden geïntroduceerd die ten onrechte worden geïnterpreteerd als fysieke veranderingen in de onbekende coëfficiënten.

Methodologie: PhyRes-MDNF
De auteurs stellen PhyRes-MDNF voor (Physics-Coupled Residual GNN Correction for Multilevel Discrete Neural Field Inversion), een framework dat vaste numerieke fysica-operatoren behoudt terwijl het een multilevel optimalisatiestrategie gebruikt die wordt versterkt door een geleerd transfermechanisme. Het framework bestaat uit twee primaire componenten:

1. Multilevel Discrete Neural Field (MDNF) Backbone:

   • In tegen tegenover gesteldeheid van coordinate-network surrogates, worden de inverse onbekenden (toestanden en coëfficiënten) direct gerepresenteerd als trainbare grid- of mesh-arrays (Discrete Neural Fields of DNFs).
   • De optimalisatie verloopt op een geneste sequentie van discretisaties (grof naar fijn). Grove niveaus lossen grootschalige observeerbare structuren op voordat verfijnde vrijheidsgraden worden geïntroduceerd.
   • In de Darcy flow realisatie, worden de toestandsvelden ($U$) en het gedeelde permeabiliteitsveld ($K$) gezamenlijk geoptimaliseerd in een full-space objectief. In de Electrical Impedance Tomography (EIT) realisatie (KTC2023), wordt het probleem behandeld als een gereduceerde ruimte verschil-imaging taak waarbij het geliniariseerde Complete Electrode Model (CEM) de toestandsvariabelen elimineert, waardoor alleen de conductiviteitscontrast wordt geoptimaliseerd.

2. Physics-Coupled Residual GNN (PhyRes-GNN) Transfer:

   • Op elk coarse-to-fine interface voert een enkele transferoperator, $T_{\ell \to \ell+1}^{\omega}$, de grove oplossing naar een inkomende representatie voor het volgende niveau.
   • Deze operator voert gezamenlijk fixed-stencil prolongatie (met deterministische interpolatiegewichten) en bounded residual correctie uit.
   • De correctie wordt gerealiseerd via een Graph Neural Network (GNN) met een zero-initialized laatste laag. De GNN neemt als input de geprolongeerde velden, geometrische coördinaten en een objective-gradient diagnostic ($g_{phys}$) afgeleid van het vaste transfer-stage objectief (PDE-residue en observatie-mismatch).
   • Cruciaal is dat de GNN de fysica-operator niet leert; het leert een begrensde correctie op de initialisatie. Het wordt per instantie aangepast met behulp van enkel de huidige observaties en de numerieke fysica, zonder offline pretraining, paired truth data, of referentievelden.

Kernbijdragen

1. Unified Fixed-Physics Framework: De auteurs formuleren een single-level DNF solve waarbij discrete toestands- en coëfficiëntvelden directe trainbare variabelen zijn die gezamenlijk worden bijgewerkt via een voorgeschreven fysica-objectief, wat alternerende subsolves elimineert.
2. PhyRes-GNN Transfer Operator: Een nieuw transfermechanisme dat vaste coarse-neighbor message passing combineert met een zero-initialized, bounded residual correctie. Het wordt voor elke inverse instantie opnieuw aangepast met behulp van het transfer-stage objectief, wat garandeert dat er geen referentie-waarheid nodig is.
3. Validatie over Fysica en Discretisaties: Het framework wordt gevalideerd op twee verschillende problemen:
   • Darcy Permeability Inversion: Gebruikmakend van manufactured fields en reservoir-realistische LUNDIsim data.
   • EIT Reconstruction: Gebruikmakend van gemeten KTC2023 data met een lineair CEM-model.

Experimentele Resultaten
Het artikel presenteert drie primaire vergelijkende bevindingen:

• Darcy Inversion (Nauwkeurigheid onder gelijke fine-grid stappen): Op een overeenkomstige $128^2$ final grid, bereikte het multilevel pad ($64^2 \to 128^2$) finale coëfficiënt- en toestandsfouten die respectievelijk ongeveer 6,76$\times$ en 10,4$\times$ lager waren dan directe single-level optimalisatie, ondanks het feit dat beide hetzelfde aantal final-grid Adam updates ontvingen. Dit demonstreert dat het multilevel pad het effectieve optimalisatiepad verkort.
• Transfer Ablatie (LUNDIsim): Bij het vergelijken van deterministische bilineaire interpolatie met de PhyRes-GNN correctie op een $64^2 \to 128^2$ transfer, verminderde de geleerde correctie het initiële refined-grid PDE-verlies met 2,62$\times$ en de finale permeabiliteitsfout met ongeveer 7%. De GNN bood een betere warm start voor de daaropvolgende fine-grid optimalisatie.
• EIT Reconstruction (KTC2023): De volledige PhyRes-MDNF pipeline (coarse DNF $\to$ PhyRes-GNN transfer $\to$ mesh-unlocked refinement) bereikte een gemiddelde Otsu mIoU van 0,623. Dit presteerde beter dan de officiële geliniariseerde CEM reconstructie (0,603) en de directe single-level DNF (0,533). De methode toonde ook robuustheid aan over vier verschillende phantoms zonder phantom-specifieke handmatige afstemming van regularisatieparameters.

Significantie en Claims
Het artikel claimt dat PhyRes-MDNF een framework-niveau generalisatie biedt over verschillende coëfficiëntstructuren, leidende fysica, discretisaties en observatiegeometrieën. De significantie ligt in:

• Behoud van Vertrouwde Fysica: De methode vermijdt de benaderingsfouten van geleerde surrogaten en de spectrale bias van coordinate networks door de discrete numerieke operatoren (finite-difference, finite-element, CEM) vast te houden.
• Geen Offline Pretraining: In tegenstelling tot neurale operatoren of geleerde surrogaten, wordt de transfer corrector per instantie aangepast zonder offline datasets of ground-truth referentievelden.
• Optimalisatiepad Correctie: De GNN fungeert specif als een residual corrector voor de initialisatie tussen niveaus, wat de convergentie van het daaropvolgende fixed-physics optimalisatieproces verbetert, in plaats van de solver zelf te vervangen.

De auteurs zijn bescheiden in hun claims en merken op dat de resultaten de effectiviteit van het framework demonstreren wanneer dit voor verschillende problemen wordt geherïnstantieerd, in plaats van de generalisatie van specifieke getrainde gewichten over instanties heen. Zij erkennen dat de huidige PhyRes-GNN een component is van de inversie-pipeline, en geen standalone reconstructiemodel, en dat de finale nauwkeurigheid nog steeds afhankelijk is van de daaropvolgende fine-grid optimalisatie.