Goal-Oriented Real-Time Bayesian Inference for Linear Autonomous Dynamical Systems With Application to Digital Twins for Tsunami Early Warning

Resumo Técnico: Inferência Bayesiana em Tempo Real Orientada a Objetivos para Sistemas Dinâmicos Autônomos Lineares

Definição do Problema
O artigo aborda o desafio de resolver problemas inversos lineares de escala muito grande governados por modelos de equações diferenciais parciais (EDP) de alta fidelidade dentro de um arcabouço bayesiano, especificamente para aplicações em tempo real. A aplicação alvo é um gêmeo digital para alerta precoce de tsunamis em zonas de subducção, como a Zona de Subducção de Cascadia (CSZ). A tarefa específica envolve a inferência do movimento do fundo do mar induzido por terremotos (o parâmetro $m$) a partir de observações esparsas de pressão no fundo do mar (os dados $d$) e, subsequentemente, a previsão das alturas das ondas de tsunami (quantidades de interesse, ou QoIs, denotadas por $q$) em regiões costeiras vulneráveis.

O problema é caracterizado por uma dimensionalidade extrema: um modelo de EDP de gravidade-acústica discretizado para a CSZ resulta em aproximadamente $O(10^9)$ parâmetros de inversão. Métodos tradicionais de inferência bayesiana, que dependem de amostragem ou aproximações de Laplace da posterior, são computacionalmente intratáveis para tais escalas. Além disso, técnicas convencionais de modelagem substituta (ex: processos gaussianos, operadores neurais) são ineficazes porque o mapeamento parâmetro-observável para problemas de propagação de ondas não admite uma representação de subespaço de baixa dimensão; os valores singulares do mapeamento decaem lentamente devido à natureza de alta frequência das EDPs hiperbólicas governantes. Adicionalmente, a necessidade de execução em tempo real (dentro de segundos) impossibilita o uso de resolvedores iterativos convencionais que exigem resoluções repetidas da EDP direta e adjunta durante a fase de inferência.

Metodologia
Os autores propõem um arcabouço que explora a estrutura autônoma do sistema dinâmico direto (especificamente, um sistema linear invariante no tempo ou LTI) para decompor a solução em uma fase de pré-computação offline e uma fase online em tempo real. O insight matemático central é que os mapas parâmetro-observável (p2o) e parâmetro-QoI (p2q) para tais sistemas exibem uma estrutura de bloco Toeplitz devido à invariância de deslocamento temporal.

A metodologia procede através de quatro fases distintas:

1. Fase 1 (Offline): Pré-computação de Mapas.
   Em vez de resolver o problema direto para cada parâmetro, o arcabouço computa o mapa p2o ($F$) e o mapa p2q ($F_q$) resolvendo as equações da EDP adjunta. Devido à estrutura de bloco Toeplitz, apenas uma resolução adjunta por localização de sensor (para $F$) e por localização de QoI (para $F_q$) é necessária. Essas soluções são deslocadas no tempo para construir os mapas completos. Esta etapa é computacionalmente cara, mas realizada apenas uma vez.

2. Fase 2 (Offline): Representação Compacta da Posterior.
   A covariância posterior dos parâmetros, $\Gamma_{post}(m) = (F^* \Gamma_{noise}^{-1} F + \Gamma_{prior}^{-1})^{-1}$, é grande demais para ser armazenada diretamente ($O(10^9 \times 10^9)$). Os autores empregam a fórmula de Sherman–Morrison–Woodbury para deslocar a inversão do espaço de parâmetros de alta dimensão para o espaço de dados de menor dimensão ($O(N_d N_t \times N_d N_t)$). Isso requer a pré-computação de uma matriz $K = \Gamma_{noise} + F \Gamma_{prior} F^*$ e uma matriz $G^* = \Gamma_{prior} F^*$. Crucialmente, se a covariância da priori for invariante no tempo, $G^*$ também herda a estrutura de bloco Toeplitz, permitindo armazenamento e computação eficientes.

3. Fase 3 (Offline): Pré-computação Orientada a Objetivos.
   Para permitir a previsão de QoIs em tempo real sem inferir explicitamente todo o campo de parâmetros, o arcabouço pré-computa um mapa dado-para-QoI (d2q) ($Q$). Este mapa relaciona diretamente os dados observados com a média e a covariância da posterior da QoI, contornando a etapa intermediária de inferência de parâmetros durante a fase online.

4. Fase 4 (Online): Inferência e Previsão em Tempo Real.
   Dados novos de observação, o sistema realiza:

   • Inferência de Parâmetros: Computa a estimativa de Máxima Posterior (MAP) do movimento do fundo do mar usando as matrizes pré-computadas e multiplicações matriz-vetor (matvecs) rápidas.
   • Previsão de QoI: Computa diretamente as alturas das ondas de tsunami previstas e suas incertezas usando o mapa d2q pré-computado.

   O gargalo computacional na fase online é eliminado pelo uso de um algoritmo de Transformada Rápida de Fourier (FFT) acelerado por múltiplas GPUs. Este algoritmo explora a estrutura de bloco Toeplitz para realizar matvecs com $F$, $F^*$ e seus adjuntos em tempo $O(N \log N)$, evitando qualquer resolução de EDP durante a fase online.

Principais Contribuições

• Inferência Exata em Tempo Real: O artigo apresenta um arcabouço que resolve o problema inverso discretizado de forma exata (até o erro de arredondamento) sem aproximações ou modelos substitutos, alcançando desempenho em tempo real para problemas com $O(10^8)$ a $O(10^9)$ parâmetros.
• Decomposição Offline-Online: Ao alavancar a natureza autônoma do sistema, as resoluções de EDP computacionalmente intensivas são movidas inteiramente para uma fase offline. A fase online depende exclusivamente de operações de álgebra linear em matrizes pré-computadas.
• Aceleração Baseada em FFT: Os autores introduzem um método para computar matvecs de Hessiana usando algoritmos baseados em FFT em clusters multi-GPU, alcançando acelerações de aproximadamente $44.000\times$ a $160.000\times$ em comparação com métodos convencionais "matrix-free" que envolvem resoluções de EDP direta/adjunta.
• Eficiência Orientada a Objetivos: O arcabouço visa explicitamente a previsão de QoIs, permitindo o mapeamento direto de dados para QoIs (via mapa d2q), o que reduz drasticamente os requisitos de armazenamento e computação durante a etapa de previsão online.
• Tratamento de Hessianas de Alto Rank: O método aborda com sucesso problemas inversos onde a Hessiana possui um decaimento lento de valores singulares (alto rank), um cenário onde técnicas convencionais de aproximação de baixo rank falham.

Resultados
Os autores demonstram o arcabouço em uma configuração de teste 3D das equações de ondas de gravidade-acústica representando um cenário de zona de subducção:

• Escala: O problema de teste envolve aproximadamente 132 milhões de parâmetros ($1,3 \times 10^8$), 24.500 pontos de dados e 800 QoIs.
• Desempenho:
  • Offline: A pré-computação dos mapas e matrizes necessários exigiu a resolução de 65 EDPs adjuntas, levando aproximadamente 8,6 horas em um cluster de supercomputação.
  • Online: O processo completo de ponta a ponta de inferência do movimento do fundo do mar e previsão das alturas das ondas de tsunami (incluindo quantificação de incerteza) foi concluído em frações de segundo (especificamente, ~57 ms para inferência e ~1 ms para a etapa de QoI em um laptop).
• Precisão: Para dados sintéticos com 6% de ruído aditivo, o erro relativo no movimento inferido do fundo do mar foi de aproximadamente 9,5%, enquanto o erro relativo nas alturas previstas das ondas de tsunami (QoIs) foi de apenas ~1,6%. Os resultados indicam que, embora os componentes de alta frequência do movimento do fundo do mar sejam mal resolvidos (devido aos dados esparsos), os componentes de baixa frequência que impulsionam a formação de tsunamis são capturados com precisão, levando a previsões de QoI altamente precisas.
• Comparação: Comparado a uma abordagem convencional de gradiente conjugado, que levaria dias para resolver o mesmo problema, o método proposto oferece uma aceleração de cerca de 400 milhões de vezes para a etapa online.

Significância e Alegações
O artigo afirma fornecer um avanço fundamental na construção de gêmeos digitais para infraestruturas críticas e gestão de desastres. Ao permitir a inferência bayesiana orientada a objetivos que é tanto exata (fiel ao modelo de EDP de alta fidelidade) quanto de tempo real, o arcabouço torna viável a construção de gêmeos digitais para sistemas anteriormente considerados intratáveis devido à escala e restrições computacionais.

Os autores enfatizam que sua abordagem não depende de substitutos baseados em dados ou aproximações de baixo rank, que costumam ser insuficientes para problemas de propagação de ondas. Em vez disso, eles exploram a estrutura matemática específica de sistemas dinâmicos autônomos para alcançar eficiência. O objetivo final é aplicar este arcabouço à Zona de Subducção de Cascadia para fornecer alertas precoces de tsunamis gerados por terremotos de megathrust, potencialmente salvando vidas ao reduzir o tempo de inferência e previsão de horas para segundos. O artigo observa que, embora o caso de teste atual seja menor do que a escala total da CSZ, a metodologia é projetada para escalar para o regime de $O(10^9)$ parâmetros exigido pelo gêmeo digital completo.