Sensor Placement for Tsunami Early Warning via Large-Scale Bayesian Optimal Experimental Design

Título: Posicionamento de Sensores para Alerta Precoce de Tsunamis via Projeto Experimental Bayesiano Ótimo em Grande Escala

1. O Problema

O alerta precoce de tsunamis depende de redes de sensores distribuídos para inferir fontes sísmicas e movimentos do fundo do mar em tempo real. O desafio central é otimizar a localização desses sensores para maximizar a precisão das previsões, dado um orçamento limitado.

• Contexto Físico: O problema é governado por equações diferenciais parciais (EDPs) hiperbólicas (ondas acústico-gravitacionais), que não possuem o decaimento espectral necessário para aproximações de baixo posto (low-rank) usadas em sistemas parabólicos ou elípticos.
• Escala e Complexidade: O campo de parâmetros (evolução espaço-temporal do fundo do mar) possui mais de 1 bilhão de graus de liberdade ($O(10^9)$).
• Dificuldade Computacional: A solução direta de um problema de Projeto Experimental Ótimo (OED) Bayesiano para modelos de alta fidelidade e campos de parâmetros de dimensão extrema é computacionalmente intratável. Métodos tradicionais exigiriam décadas de tempo de computação mesmo em supercomputadores. Além disso, a seleção ótima de subconjuntos de sensores é um problema NP-difícil.

2. Metodologia

Os autores propõem um framework escalável que transforma o problema de OED em uma seleção de subconjunto de matrizes densas no espaço de dados, evitando o espaço de parâmetros de alta dimensão.

• Formulação no Espaço de Dados (LTI):

  • O problema é reformulado para sistemas dinâmicos lineares invariantes no tempo (LTI).
  • Utilizando a identidade de Sherman-Morrison-Woodbury, a inversão Bayesiana é recastada do espaço de parâmetros (dimensão $10^9$) para o espaço de dados (dimensão $N_d \times N_t$, onde $N_d$ é o número de sensores e $N_t$ o número de passos de tempo).
  • Isso permite a construção explícita de uma matriz Hessiana densa no espaço de dados ($K$), que pode ser calculada eficientemente usando algoritmos baseados em FFT (Transformada Rápida de Fourier) acelerados por GPU.

• Algoritmo de Seleção Gananciosa (Greedy) com Atualização de Schur:

  • O critério de otimalidade é o D-otimal (maximização do ganho de informação, minimização do log-determinante da covariância posterior).
  • Em vez de refatorizar a matriz de teste para cada candidato (complexidade $O(k^3)$), os autores desenvolvem um algoritmo paralelo baseado em atualizações de complemento de Schur em blocos.
  • Isso reduz a complexidade computacional por candidato de $O(k^3)$ para $O(k^2)$, eliminando fatorações densas redundantes.

• Otimização de Hardware e I/O (Multi-GPU):

  • Arquitetura: Implementação em PyTorch e MPI, compatível com GPUs NVIDIA e AMD.
  • Pipeline de I/O: Utiliza uma abordagem de "duplo buffer" (double-buffered) e streams isolados de CUDA/HIP. O CPU lê dados do sistema de arquivos (I/O assíncrono) enquanto a GPU realiza os cálculos do candidato anterior, sobrepondo completamente I/O e computação.
  • Gerenciamento de Memória: Uso estrito de alocação in-place e pré-alocação global da fatoração de Cholesky para evitar fragmentação de memória e latência de alocação dinâmica durante a avaliação de candidatos.
  • Precisão: Cálculos lineares densos são feitos em precisão simples (float32) para aumentar o throughput da GPU, enquanto os dados brutos são mantidos em precisão dupla (float64) no disco.

3. Principais Contribuições

1. Aceleração Algorítmica: Desenvolvimento de um algoritmo paralelo de complemento de Schur que evita fatorações redundantes, reduzindo drasticamente o custo computacional e a pegada de memória.
2. Escalabilidade Extrema e Otimização de I/O: Co-design do algoritmo para arquiteturas massivamente paralelas, alcançando escalabilidade forte e fraca quase perfeita em centenas de GPUs, com sobreposição total de I/O e computação.
3. Aplicação em Digital Twin: Primeira aplicação bem-sucedida de OED Bayesiano restrito a EDPs em um espaço de parâmetros de $O(10^9)$, sem o uso de modelos de ordem reduzida (ROM) ou modelos substitutos (surrogates).
4. Otimização de Rede de Sensores: Seleção ótima de 175 sensores a partir de 600 candidatos para a Zona de Subducção de Cascadia (CSZ), minimizando a incerteza do campo de parâmetros do movimento do fundo do mar.

4. Resultados

• Desempenho em GPU Única: O algoritmo baseado em Schur foi várias ordens de magnitude mais rápido que a formulação ingênua (refatorização completa). Permitiu orçamentos de sensores muito maiores (ex: 370 sensores em uma GPU GH200 de 96 GB) devido à menor exigência de memória.
• Escalabilidade Paralela: Testes realizados nos supercomputadores Perlmutter (NERSC) e Frontier (OLCF).
  • Demonstrou escalabilidade forte e fraca quase ideal (eficiência de ~98-100%) ao aumentar de 4 para 512 GPUs (até 1024 GCDs no Frontier).
  • O tempo de solução para selecionar 175 sensores de 600 candidatos foi de apenas 1,5 horas usando 16 GPUs A100.
• Aplicação ao Tsunami (Cascadia):
  • Otimizou uma rede de 175 sensores para a Zona de Subducção de Cascadia.
  • A configuração ótima obtida pelo algoritmo ganancioso superou significativamente configurações aleatórias (verificado via histograma de valores da função objetivo).
  • Visualizações mostraram a redução progressiva da incerteza (desvio padrão pontual) do campo de deslocamento do fundo do mar à medida que os sensores eram adicionados.

5. Significância

Este trabalho representa um avanço fundamental na interseção entre ciência de dados, inferência Bayesiana e computação de alto desempenho (HPC):

• Viabilidade Operacional: Transforma um problema de seleção de sensores que antes era considerado "intratável" em uma ferramenta ágil e iterativa. Isso permite que engenheiros e cientistas avaliem rapidamente diferentes configurações de rede, orçamentos e modelos de custo antes de investir em infraestrutura física cara (como a instalação de sensores no fundo do oceano).
• Generalização: Embora aplicado a tsunamis, o framework é geral para qualquer problema de inversão Bayesiana governado por sistemas LTI, abrindo caminho para otimização de sensores em outras áreas de física de ondas.
• Reconhecimento: O trabalho baseia-se na solução do "Digital Twin" vencedora do Prêmio Gordon Bell de 2025, demonstrando a capacidade de realizar inferência em tempo real em escalas extremas.

Em resumo, o artigo apresenta uma solução computacionalmente viável para o posicionamento ótimo de sensores em sistemas físicos complexos de grande escala, utilizando técnicas avançadas de álgebra linear numérica e otimização de hardware para superar barreiras de memória e tempo de processamento.