A PINNs approach for the computation of eigenvalues in elliptic problems

Título: Uma Abordagem PINNs para o Cálculo de Autovalores em Problemas Elípticos

Autores: Julián Fernández Bonder e Ariel Salort.

---

1. Problema Abordado

O artigo foca na resolução numérica de problemas de autovalores para equações diferenciais parciais (EDPs) elípticas, especificamente o problema de autovalores de Schrödinger (ou Helmholtz com potencial de confinamento):
$$-\Delta u + V(x)u = Eu$$
com condições de contorno de Dirichlet homogêneas ($u=0$ na fronteira).

O desafio central abordado é a limitação dos métodos existentes baseados em Redes Neurais (como os que utilizam o quociente de Rayleigh ou projeções ortogonais sequenciais):

1. Dependência Sequencial: Para calcular o $k$-ésimo autovalor, é necessário calcular primeiro todos os autovalores inferiores ($1$a$k-1$).
2. Dificuldade em Dimensões Superiores: A complexidade computacional e a instabilidade aumentam significativamente em dimensões espaciais altas.
3. Limitação em Problemas Não Lineares: Métodos que dependem de ortogonalidade entre autofunções falham em problemas não lineares (como o operador $p$-Laplaciano), onde essa estrutura ortogonal não existe.

2. Metodologia Proposta

Os autores propõem uma abordagem baseada em Redes Neurais Informadas pela Física (PINNs) que evita a necessidade de calcular autovalores inferiores e não depende de condições de ortogonalidade.

A Função de Perda (Loss Function)

Diferente da minimização do quociente de Rayleigh, os autores definem uma função de perda que mede o erro residual da equação diferencial para um autovalor fixo $E$:
$$\Lambda(u, E) = \frac{\int (\Delta u - V(x)u + Eu)^2 \, dx}{\int u^2 \, dx}$$
Para um $E$ fixo, minimiza-se $\Lambda(u, E)$ em relação à função $u$ (representada pela rede neural). Isso gera uma curva de perda $\Lambda(E) = \inf_u \Lambda(u, E)$.

Estratégia de Busca

1. Discretização do Intervalo: Define-se um intervalo $[E_{min}, E_{max}]$ onde se espera encontrar os autovalores.
2. Varredura (Scanning): O intervalo é particionado em pontos discretos $E_i$. Para cada $E_i$, a rede neural é treinada para minimizar $\Lambda(u, E_i)$, obtendo um minimizador $u_i$.
3. Identificação de Mínimos: A curva de perda $\Lambda(E_i)$ é analisada. Os pontos onde a perda atinge mínimos locais (próximos de zero) correspondem aos autovalores aproximados do sistema. Os minimizadores associados $u_i$ são as autofunções aproximadas.

Implementação Técnica

• Arquitetura: Rede neural totalmente conectada (feedforward) com camadas ocultas e função de ativação tanh.
• Condições de Contorno: Para impor $u=0$ na fronteira $\partial\Omega$, a saída da rede $\tilde{u}(x)$ é multiplicada por uma função de distância à fronteira $B(x)$ (ex: $1-x^2$ no disco unitário), garantindo que a aproximação final $u(x) = B(x)\tilde{u}(x)$ satisfaça automaticamente a condição de Dirichlet.
• Normalização: Um termo de penalização é adicionado à função de perda para garantir que $\|u\|_2 = 1$ (ou $\|u\|_p=1$ no caso não linear).
• Integração: Os integrais são aproximados via amostragem de Monte Carlo.

3. Contribuições Chave

1. Independência de Autovalores Inferiores: O método permite calcular autovalores de ordem superior diretamente, sem precisar computar a sequência anterior. Isso quebra a barreira sequencial dos métodos tradicionais.
2. Escala Dimensional: A abordagem é eficaz em dimensões espaciais altas (testado em 3D e 4D), onde métodos baseados em malha (FEM/FDM) tornam-se proibitivos.
3. Aplicabilidade a Problemas Não Lineares: O método é estendido com sucesso ao $p$-Laplaciano ($-\nabla \cdot (|\nabla u|^{p-2}\nabla u) = E|u|^{p-2}u$). Como não depende de ortogonalidade, consegue encontrar múltiplos autovalores em problemas não lineares onde outros métodos falham.
4. Flexibilidade Geométrica e de Potencial: Funciona em domínios com geometrias complexas (triângulos, anéis, quadrados) e para diversos potenciais $V(x)$ (poços duplos, harmônicos, confinamento duro).

4. Resultados Experimentais

Os autores validaram o método em diversos cenários, comparando com soluções analíticas ou numéricas de referência:

• Domínios Simples (Disco e Quadrado 2D): A precisão dos autovalores calculados foi alta, com erros relativos na ordem de $10^{-3}$ a $10^{-6}$, dependendo da resolução da grade de varredura.
• Dimensões Superiores (Bolas em $\mathbb{R}^3$ e $\mathbb{R}^4$): O método recuperou com sucesso os autovalores do Laplaciano em bolas unitárias em 3D e 4D, comparando-se bem com as fórmulas exatas envolvendo zeros de funções de Bessel.
• Geometrias Complexas: Resultados precisos foram obtidos em triângulos e anéis, demonstrando a robustez da função de distância $B(x)$ para impor condições de contorno.
• Potenciais Variados: O método lidou bem com potenciais harmônicos e de "poço duplo" (double-well) em 3D.
• Problemas Não Lineares ($p$-Laplaciano): Para $p=2.2$, o método calculou os dois primeiros autovalores em um disco e em um quadrado, com resultados consistentes com a literatura especializada, demonstrando sua capacidade de lidar com a falta de estrutura linear.

5. Significado e Conclusão

O artigo apresenta uma alternativa robusta e flexível para problemas espectrais. A principal vantagem não é necessariamente superar a precisão de métodos clássicos (como Elementos Finitos) em problemas lineares simples e bem comportados, mas sim habilitar a computação de autovalores em regimes onde métodos clássicos falham ou são inviáveis:

• Em dimensões muito altas.
• Em geometrias irregulares complexas.
• Em problemas não lineares onde a ortogonalidade não se aplica.

A abordagem transforma o problema de autovalores em um problema de otimização de uma curva de perda unidimensional, permitindo a descoberta de múltiplos autovalores simultaneamente ou de forma não sequencial, o que representa um avanço significativo na aplicação de Deep Learning à física matemática computacional. O código-fonte foi disponibilizado publicamente, facilitando a reprodutibilidade e a adoção da técnica.