Model order reduction for parametrized variational inequalities: application to crowd motion

Resumo Técnico: Redução de Ordem de Modelo para Inequações Variacionais Parametrizadas em Movimento de Multidões

Enunciado do Problema
Este trabalho aborda o desafio computacional de resolver inequações variacionais (IVs) parametrizadas dependentes do tempo, originadas de problemas de contato discretos, especificamente no contexto de modelos de movimento de multidões baseados em agentes. O modelo de alta fidelidade (FOM), baseado na abordagem em [MV11], descreve um sistema de $N_a$ agentes rígidos em forma de disco movendo-se em um domínio com obstáculos. As velocidades dos agentes são determinadas a cada passo de tempo resolvendo um problema de mínimos quadrados com restrições para encontrar a velocidade viável mais próxima de um campo de velocidade espontânea, sujeito a restrições de não sobreposição. Esta formulação leva a um problema de minimização quadrática de alta dimensão com restrições lineares, equivalente a uma inequação variacional linear.

A principal dificuldade na aplicação da Redução de Ordem de Modelo (MOR) a esta classe de problemas é o lento decaimento da $n$-largura de Kolmogorov da variedade de soluções. Como observado na introdução, campos de solução que exibem descontinuidades dependentes do parâmetro ou camadas abruptas (características de forças de contato e mudanças de velocidade em multidões congestionadas) não podem ser capturados com precisão por expansões lineares de baixa dimensão. Além disso, os parâmetros geométricos (por exemplo, posições de obstáculos, larguras de saída) induzem variabilidade significativa nas posições dos agentes e nas forças de contato, exacerbando a complexidade.

Metodologia
Os autores propõem uma abordagem de MOR não linear híbrida que combina um método de Base Reduzida (RB) linear com uma correção de aprendizado de máquina (ML). A metodologia é estruturada da seguinte forma:

1. Construção do Modelo de Ordem Reduzida (MOR) Linear:

   • Espaço Primal (Velocidades): As instantâneas de velocidade são comprimidas usando a Decomposição Ortogonal Proper (POD).
   • Espaço Dual (Multiplicadores de Lagrange): Para lidar com as forças de contato, os autores investigam duas estratégias para construir um cone positivo reduzido: um algoritmo projetado de projeção cônica modificada (mCPG) e um novo algoritmo de Seleção de Índice Ganancioso (gIS). O algoritmo gIS seleciona vetores de base canônicos correspondentes às maiores coordenadas dos multiplicadores de Lagrange, garantindo que as restrições de não negatividade sejam preservadas sem resolver subproblemas de otimização convexa complexos em cada iteração.
   • Estabilidade: Para abordar a falta de estabilidade inf-sup inerente à construção desacoplada da base, os autores empregam um Algoritmo de Gradiente Projetado (PGA) para enriquecer a base primal com supremizadores (imagens da base dual sob o operador de restrição transposto).

2. Hiper-redução:
   Para superar o gargalo computacional da avaliação de termos não afins (como a matriz de contato e a velocidade espontânea) que escalam com o tamanho do sistema completo, duas técnicas de hiper-redução são comparadas:

   • Método de Interpolação Empírica (EIM): Aproxima termos não afins no espaço completo.
   • Quadratura Empírica (EQ): Aproxima quantidades projetadas diretamente no espaço reduzido usando um conjunto esparsos de pontos de integração e pesos, computados via Perseguição Ortogonal Não Negativa (NNOMP). O método EQ mostrou-se mais eficiente para este problema de contato específico.

3. Correção Não Linear por ML:
   Reconhecendo que o truncamento linear da POD é insuficiente para a variedade de soluções de decaimento lento, uma correção de aprendizado de máquina é introduzida. Um regressor (especificamente uma Floresta Aleatória ou uma Rede Neural feed-forward) é treinado para mapear as coordenadas generalizadas dominantes do ROM de Galerkin para um vetor de correção. Esta correção contabiliza a discrepância entre a solução de Galerkin truncada e a projeção ótima da solução de alta fidelidade, efetivamente reconstruindo a "cauda" da solução dentro do subespaço reduzido.

Principais Contribuições
O artigo identifica três contribuições primárias:

1. Seleção de Índice Ganancioso (gIS): O desenvolvimento de um algoritmo baseado em ganância para construir um cone positivo reduzido para multiplicadores de Lagrange. Este método preserva as restrições de não negatividade e demonstra eficiência computacional e precisão superiores em comparação com o algoritmo mCPG, particularmente para instantâneas de contato esparsos.
2. ROM Corrigido por ML para Contato Discreto: A adaptação de uma estratégia de correção baseada em aprendizado de máquina especificamente para o modelo de contato discreto que governa as posições das partículas. Esta abordagem estabiliza a formulação de Galerkin mesmo sob truncamento de base insuficiente, aprendendo o desvio entre a aproximação padrão e a projeção de alta fidelidade.
3. Validação Numérica em Cenários Complexos: Uma investigação numérica abrangente da metodologia proposta em cenários altamente congestionados e de alta dimensão envolvendo muitos agentes e obstáculos. O estudo inclui uma análise teórica do desempenho do algoritmo ganancioso no contexto de um modelo de contato de Hertz esfera-plano.

Resultados
Experimentos numéricos foram conduzidos em dois casos de estudo: um cenário de escala moderada ($N_a=20$) e um cenário altamente congestionado e de alta dimensão ($N_a=150$).

• Construção do Cone Dual: O algoritmo gIS alcançou erros de projeção comparáveis ou melhores que o mCPG com tempo computacional significativamente menor (8 vezes mais rápido). O decaimento do erro para o gIS foi significativamente mais íngreme para dimensões mais altas.
• Hiper-redução: O método de Quadratura Empírica (EQ) provou ser mais eficiente que o EIM. Devido ao lento decaimento dos valores singulares da matriz de contato, o EIM exigiu um grande número de modos ($O(R)$) para alcançar precisão, enquanto o EQ operou diretamente no espaço reduzido, exigindo menos pontos e resultando em um aumento de velocidade de 30 a 60 vezes em comparação com o FOM.
• Precisão e Estabilidade: O ROM de Galerkin padrão, embora estável via enriquecimento PGA, exibiu erros nas trajetórias das partículas, particularmente perto de obstáculos onde as restrições de não penetração foram violadas devido a vetores de base insuficientes. O ROM corrigido por ML melhorou significativamente a precisão (3 a 5 vezes melhor que o ROM de base) sem adicionar sobrecarga online significativa.
• Desempenho em Alta Dimensão: No caso $N_a=150$, o uso de POD Randomizada (rPOD) permitiu o cálculo eficiente da base. O ROM corrigido por ML previu com sucesso as trajetórias das partículas em configurações altamente congestionadas onde o ROM de Galerkin padrão falhou em manter as restrições de não penetração.

Significado e Alegações
Os autores afirmam que este trabalho representa a primeira tentativa de aplicar redução de ordem de modelo à classe específica de problemas de contato discreto introduzida em [MV11]. Eles enfatizam que a metodologia proposta abre caminho para avanços futuros em MOR não linear para esta classe de problemas. O artigo alega modestamente demonstrar a aplicabilidade de combinar métodos RB lineares com correções de ML e técnicas de hiper-redução para superar as limitações da aproximação linear em inequações variacionais parametrizadas com decaimento lento da largura de Kolmogorov. O trabalho não alega resolver todos os problemas de estabilidade (por exemplo, a construção de um indicador de erro online totalmente confiável é adiada para trabalhos futuros), mas estabelece um framework funcional para simulação eficiente de dinâmicas complexas de multidões.