Hierarchical sparse-grid particle-in-cell method with locally adaptive mesh refinement

Technische Samenvatting: Hiërarchische Sparse-Grid Particle-in-Cell Methode met Lokaal Adaptieve Meshverfijning

Probleemstelling
Particle-in-Cell (PIC) methoden zijn de standaard voor het simuleren van kinetische plasma's die worden beheerst door het Vlasov–Poisson-systeem. Ze lijden echter aan een onvermijdelijke statistische fout (ruis) die slecht schaalt met dimensionaliteit, met name in driedimensionale simulaties. Hoewel sparse-grid methoden (specifiek de Sparse-Grid Combination Technique, SGCT, en Hierarchical Sparse-Grid, HSG, benaderingen) aanzienlijke ruisonderdrukking bieden door het gemiddelde aantal deeltjes per cel te verhogen, introduceren zij een deterministische bias. Deze bias ontstaat omdat sparse-grid ruimtes uitgaan van begrensde gemengde afgeleiden (regulariteit in de gemengde Sobolev-ruimte $H^{p+1}_{mix}$). Deze aanname faalt voor fysiek relevante oplossingen met scherpe gradiënten, dunne filamenten of sterke anisotropie (bijv. diocotron-instabiliteiten), wat leidt tot een verslechtering van de nauwkeurigheid. Bestaande strategieën om dit te verzachten, zoals het afkappen van grove componenten of het gebruik van hogere-orde vormfuncties, verhogen ofwel de ruis of falen in het effectief vastleggen van gelokaliseerde structuren. Bovendien is het integreren van lokale adaptiviteit in SGCT uitdagend vanwege de globale definitie van component-grids.

Methodologie
De auteurs stellen een verbeterde Hierarchical Sparse-Grid PIC (HSG-PIC) methode voor die nieuwe benaderingsruimtes integreert met een lokaal adaptieve meshverfijningsstrategie.

1. Nieuwe Benaderingsruimtes:

   • Energie-gebaseerde Ruimte ($V^{(E)}_h$): Ontworpen om de $H^1$-norm fout (relevant voor de gradiënt van het elektrische veld) te minimaliseren ten opzichte van het aantal vrijheidsgraden. Deze ruimte filtert agressief bijna-isotrope verfijningen die worden bestraft door de gradiëntoperator, wat resulteert in een dimensie-onafhankelijke complexiteit van $O(h^{-1})$.
   • Gegeneraliseerde Sparse-Grid Ruimtes ($V^{(1)}_{h,\sigma}$): Een familie van ruimtes die de kloof tussen klassieke $L^2$-gebaseerde sparse grids en volledige grids continu overbrugt door $\sigma$ extra diagonalen aan de indexset toe te voegen. Dit biedt een flexibel kader om de nauwkeurigheid te herstellen die verloren gaat door standaard afkapping.

2. Lokaal Adaptieve Strategie:

   • De methode maakt gebruik van hiërarchische surpluswaarden (coëfficiënten van de hiërarchische basisfuncties) als lokale foutindicatoren. Grote surpluswaarden duiden op regio's waar de oplossing hoge tweede-orde afgeleiden heeft (scherpe kenmerken).
   • Een verfijningscriterium behoudt alleen basisfuncties waarvan de genormaliseerde surpluswaarden een tolerantie $\epsilon$ overschrijden.
   • Incrementeel Verfijningsalgoritme: Om het Galerkin-probleem niet op de gehele (en potentieel grote) gegeneraliseerde ruimte te hoeven oplossen, gebruiken de auteurs een incrementele exploratiestrategie. Beginnend vanuit een grove ruimte, verkennen ze kandidaat hiërarchische subruimtes één voor één. Door middel van Schur-complement eliminaties en vooraf berekende Cholesky-factorisaties lossen ze kleine lineaire stelsels op om de surpluswaarden van kandidaat-nodes te bepalen. Alleen toelaatbare nodes worden aan de actieve set toegevoegd, waardoor de lineaire stelsels klein en computationeel efficiënt blijven.

3. Discretisatie:

   • De methode gebruikt een variationele formulering waarbij de ruwe Monte-Carlo dichtheidsschatter wordt geprojecteerd op de adaptieve hiërarchische ruimte via een dualiteitsparing, in plaats van te convolueren met een vormfunctie zoals in standaard PIC.
   • Het elektrische veld wordt berekend door direct de discrete potentiaal te differentiëren, wat consistentie met de foutschattingen garandeëert.

Belangrijkste Bijdragen

• Introductie van Energie-gebaseerde en Gegeneraliseerde Ruimtes: Het artikel definieert benaderingsruimtes die geoptimaliseerd zijn voor $H^1$-fout en ruimtes die een continue overgang van sparse naar volledige grids mogelijk maken, waarmee de bias-problemen van standaard sparse grids worden aangepakt.
• Efficiënt Adaptief Algoritme: De ontwikkeling van een incrementeel verfijningsalgoritme met behulp van Schur-complementen maakt lokale adaptiviteit mogelijk zonder de buitensporige kosten van het oplossen van globale stelsels op verrijkte ruimtes. Dit overwint de moeilijkheid van lokale verfijning bij combinatie-technieken.
• Behoud van Ruisreductie: De adaptieve strategie behoudt de statistische ruisonderdrukkingseigenschappen van sparse grids door vrijheidsgraden te concentreren waar nodig, waardoor het effectieve aantal deeltjes per cel in actieve regio's wordt verhoogd.

Numerieke Resultaten
De methode is getest op tweedimensionale problemen: een vervaardigde oplossing (glad) en de diocotron-instabiliteit (anisotroop, filamentair).

• Nauwkeurigheid: Voor gladde oplossingen bereikt de adaptieve methode een nauwkeurigheid die vergelijkbaar is met volledige grid-methoden met aanzienlijk minder nodes. Voor de diocotron-instabiliteit, waarbij standaard sparse grids falen door anisotropie, herstelt de adaptieve methode de tweede-orde convergentieorde ($O(h^2)$) van de volledige grid-methode, terwijl ze ongeveer vier keer minder mesh-nodes gebruikt.
• Totale Fout: In de totale foutanalyse (grid + statistisch) presteert de adaptieve methode beter dan zowel de standaard volledige grid als de niet-adaptieve sparse-grid methoden. Door het aantal actieve mesh-nodes te verminderen, verhoogt het de lokale deeltjesdichtheid, waardoor de statistische ruis wordt verminderd. In één testgeval behaalde het een hogere nauwkeurigheid dan de volledige grid-methode met 53 keer minder mesh-nodes.
• Efficiëntie: De computationele kostenanalyse laat zien dat de adaptieve HSG-PIC methode aanzienlijk sneller is dan standaard PIC. In een benchmark die de fout onder de $10^{-2}$ reduceerde, had de adaptieve methode 17 keer minder deeltjes en 45 keer minder mesh-nodes nodig dan de standaard PIC-methode, wat resulteerde in een 5-voudige reductie in de wandkloktijd.

Betekenis en Claims
Het artikel claimt dat de voorgestelde adaptieve HSG-PIC methode een flexibele compromis biedt tussen de ruisonderdrukking van sparse grids en de benaderingskracht van volledige grid-discretisaties. Het demonstreert dat door gebruik te maken van de hiërarchische structuur van de basis, men efficiënt gelokaliseerde structuren (zoals filamenten en vortexen) kan targeten die de prestaties van sparse grids doorgaans verslechteren. De auteurs stellen dat deze resultaten het potentieel onderstrepen van adaptieve sparse-grid PIC-methoden voor efficiënte simulaties van kinetische plasma's met complexe oplossingsstructuren. Zij merken op dat hoewel het huidige werk tweedimensionaal is, de B-spline formulering van nature toelaat tot uitbreiding naar niet-rechthoekige geometrieën, en toekomstig werk zich zal richten op het uitbreiden van de methode naar volledig driedimensionale simulaties.