Evaluation of resonances: adaptivity and AAA rational approximation of randomly scalarized boundary integral resolvents

Resumo Técnico: Avaliação de Ressonâncias via Aproximação Racional AAA Adaptativa

Enunciado do Problema
O artigo aborda o desafio computacional de avaliar ressonâncias acústicas e eletromagnéticas em cavidades abertas e fechadas, bem como em outras estruturas de espalhamento. Matematicamente, essas ressonâncias correspondem a soluções $(u, k)$ do problema de autovalores de Helmholtz $\Delta u + k^2 u = 0$ sujeito a condições de contorno homogêneas (Dirichlet, Neumann ou Zaremba) em um domínio $\Omega$.

• Para problemas interiores, $k$ representa autovalores reais.
• Para problemas exteriores e de cavidades abertas, $k$ representa polos de espalhamento complexos ou "autovalores complexos" localizados no semiplano inferior ($\Im k \le 0$).

O problema é reformulado como um Problema de Autovalor Não Linear (NEP) para uma função de matriz $F(k)$, derivada da discretização de operadores integrais de contorno. O objetivo é encontrar valores complexos $k$ tais que $F(k)w = 0$ para algum vetor não nulo $w$.

Metodologia
O algoritmo proposto combina três componentes primários: um resolvente escalonado aleatoriamente, o algoritmo de aproximação racional AAA e uma estratégia de busca adaptativa com um estágio de refinamento pelo método da secante.

1. Resolvente Escalonado: Em vez de resolver o NEP de matriz total diretamente, o método avalia uma função escalar $S(k) = u^* F(k)^{-1} v$, onde $u$ e $v$ são vetores aleatórios fixos em $\mathbb{C}^d$. Os polos de $S(k)$ correspondem aos autovalores do problema original.
2. Aproximação Racional AAA: A função $S(k)$ é aproximada por uma função racional $r(k)$ usando o algoritmo AAA. Este algoritmo seleciona pontos de interpolação e pesos de forma gananciosa (greedy) para construir um aproximante racional baricêntrico. Os polos desta função racional $r(k)$ servem como aproximações iniciais para as ressonâncias.
3. Estratégia de Busca Adaptativa: Para garantir que todas as ressonâncias dentro de um domínio de busca sejam capturadas, o algoritmo emprega uma subdivisão dicotômica recursiva do domínio (retângulos no plano complexo ou intervalos na reta real).
   • Algoritmo 1 (Básico): Avalia $S(k)$ em um conjunto de pontos, constrói o aproximante AAA e retorna os polos dentro do domínio.
   • Algoritmo 2 (Adaptativo): Subdivide o domínio recursivamente. Se o número de polos encontrados em uma subregião mudar após uma subdivisão adicional, o processo se repete. Isso garante que nenhuma ressonância seja perdida devido a uma densidade de amostragem insuficiente.
4. Refinamento e Verificação:
   • Método da Secante: Uma vez identificados os polos iniciais, um estágio de terminação pelo método da secante é aplicado a $1/S(k)$ para alcançar convergência exponencial para a precisão próxima da máquina. Este passo também fornece estimativas de erro confiáveis e ajuda a filtrar autovalores espúrios que o algoritmo AAA pode ocasionalmente produzir.
   • Autofunções: As autofunções correspondentes são recuperadas computando o núcleo (nullspace) de $F(k)$ nos autovalores refinados usando eliminação gaussiana com pivoteamento.

Principais Contribuições

• Extração Direta de Polos: Diferente de abordagens anteriores baseadas em AAA que utilizam aproximação racional para linearizar o NEP, este método utiliza diretamente os polos do aproximante racional do resolvente escalonado como as estimativas de autovalor.
• Flexibilidade Geométrica: A dependência de aproximação racional, em vez de integração de contorno, permite o uso de domínios de busca arbitrários, incluindo regiões retangulares e intervalos reais. Isso facilita o design da estratégia de subdivisão adaptativa, que é difícil de implementar eficientemente com métodos tradicionais de integração de contorno (ex: regra do trapézio em retângulos).
• Robustez e Eficiência: A combinação de busca adaptativa e refinamento pela secante garante alta precisão (próxima da precisão da máquina) tanto para estados de baixa quanto de alta frequência. O método requer apenas a avaliação do resolvente escalonado em vários números de onda, o que é altamente paralelizável (embarrassingly parallelizable).
• Tratamento de Arcos Abertos: O artigo estende o arcabouço teórico para relacionar os polos do resolvente a autovalores para problemas de arco aberto, utilizando relações de salto específicas para a derivada normal do potencial de camada única para lidar com singularidades de borda.

Resultados Numéricos
O artigo apresenta uma variedade de experimentos numéricos demonstrando o desempenho do método:

• NEPs Gerais: O algoritmo identificou com sucesso todos os autovalores nos problemas "CD player" (60 autovalores) e "Butterfly" (256 autovalores) da coleção NLEVP.
• Espalhamento de Baixa Frequência: Computação precisa de autovalores para cavidades em formato de pipa e circulares com aberturas. O método lidou tanto com autovalores reais (interior) quanto com polos complexos próximos ao eixo real (cavidades abertas).
• Comparação com Integração de Contorno: Comparações com o método SS em bloco e o "Algoritmo de Integral 1" de Beyn mostraram que, embora o método de Beyn possa convergir mais rapidamente sem refinamento, o método proposto atinge precisão comparável com refinamento local. Crucialmente, o método proposto evita a necessidade de múltiplas resoluções de matriz por ponto de frequência (exigido pelo SS em bloco/Beyn quando $L > 1$), oferecendo vantagens potenciais para problemas 3D de grande escala onde a fatoração LU não está disponível.
• Assintótica do Tamanho do Gap: O método foi usado para estudar a convergência de polos de espalhamento conforme um arco aberto se aproxima de uma curva fechada. Os resultados mostraram que as taxas de decaimento ($\Im k$) convergem a taxas de $O(\theta^4)$ ou $O(\theta^8)$ dependendo do alinhamento do modo com o gap, enquanto as frequências espaciais ($\Re k$) convergem a $O(\theta^2)$ ou $O(\theta^4)$.
• Desempenho de Alta Frequência: O algoritmo computou com sucesso 1.244 autovalores interiores distintos para um círculo unitário no intervalo $[1, 100]$ com precisão próxima da máquina. Também visualizou autofunções de alta frequência para domínios em formato de pipa e de foguete, mostrando forte correspondência entre as autofunções de cavidade aberta e as soluções de espalhamento sob iluminação de onda plana.

Significância e Alegações
Os autores afirmam que a abordagem proposta é simples, fácil de implementar e de convergência rápida. Sua principal significância reside na capacidade de fornecer aproximações altamente precisas de ressonâncias de espalhamento e soluções de NEP através de uma ampla faixa de frequências, sem as restrições geométricas impostas pelos métodos de integração de contorno. A estratégia adaptativa garante capacidades de busca exaustiva, enquanto o estágio de refinamento pela secante garante alta precisão e confiabilidade. O artigo posiciona este método como uma alternativa flexível aos atuais solucionadores de autovalores baseados em integração de contorno, sendo particularmente vantajoso para problemas envolvendo geometrias complexas ou onde os recursos computacionais para fatorações de matriz repetidas são limitados.