Resumo Técnico: Uma Abordagem Multigrid e de Redes Neurais para Reduzir o Custo Computacional do $\varphi$-FEM

Formulação do Problema

O Método dos Elementos Finitos (MEF) é uma ferramenta padrão para resolver equações diferenciais parciais (EDPs), mas enfrenta limitações significativas quando aplicado a geometrias complexas, como as encontradas em simulações biomédicas. Manter a precisão geralmente exige malhas conformes, que são difíceis e computacionalmente caras de gerar para fronteiras irregulares. Embora métodos não conformes como CutFEM, o Método da Fronteira Deslocada e o $\varphi$-FEM (phi-FEM) tenham sido introduzidos para contornar isso, eles frequentemente incorrem em altos custos computacionais, especialmente quando são necessárias malhas de alta resolução.

Tentativas anteriores de acelerar esses métodos incluem:

• Abordagens Multigrid: Eficientes para malhas cartesianas, mas tradicionalmente difíceis de acoplar com métodos de fronteira imersa em domínios complexos.
• Redes Neurais (por exemplo, FNO): Operadores de Fourier Neural (FNO) foram combinados com $\varphi$-FEM ($\varphi$-FEM-FNO) para lidar com geometrias complexas. No entanto, em problemas de alta complexidade (por exemplo, elasticidade não linear), esses métodos frequentemente sacrificam a precisão em prol da velocidade, falhando em atingir a precisão dos solucionadores baseados em MEF.

O problema central abordado neste trabalho é como reduzir o custo computacional do $\varphi$-FEM, preservando sua alta precisão e lidando com geometrias complexas, sem a degradação de precisão observada em abordagens puras de operadores neurais.

Metodologia

O artigo propõe duas estratégias distintas para acelerar o $\varphi$-FEM: uma abordagem multigrid puramente numérica e uma abordagem híbrida que combina multigrid com redes neurais.

1. O Framework $\varphi$-FEM

O método utiliza uma função de nível $\varphi$ para descrever o domínio $\Omega = \{\varphi < 0\}$ e sua fronteira $\Gamma = \{\varphi = 0\}$. A incógnita $u$ é reescrita como $u = \varphi w$, onde $w$ é a nova incógnita. O método opera em uma malha cartesiana de fundo, construindo submalhas que intersectam o domínio e a fronteira. O esquema resolve a EDP encontrando $w_h$ em um espaço de elementos finitos tal que a forma fraca inclua termos de estabilização nas células cortadas.

2. $\varphi$-FEM-Multigrid

Esta abordagem aproveita a estrutura cartesiana da malha de fundo para implementar uma estratégia multigrid:

• Etapa Grossa: Uma solução inicial é computada em uma malha cartesiana grossa. A função de nível é interpolada e o esquema $\varphi$-FEM é resolvido na submalha grossa resultante.
• Etapas Finas: A malha é refinada iterativamente. A solução do nível anterior (mais grosso) é interpolada no novo espaço de elementos finitos mais fino e usada como uma estimativa inicial para o solucionador iterativo.
• Restrição: O método assume que o domínio exato $\Omega$ é um subconjunto do domínio grosso inicial $\Omega^{(0)}_h$ para garantir que nenhuma parte da geometria seja perdida durante o refinamento.

3. $\varphi$-FEM-M-FNO (Abordagem Híbrida)

Para reduzir ainda mais os custos, os autores propõem substituir a "etapa grossa" dispendiosa do método multigrid por um Operador de Fourier Neural pré-treinado.

• Treinamento: Um $\varphi$-FEM-FNO é treinado para mapear dados do problema (termo fonte, condições de contorno e função de nível) para a solução $w$ em uma resolução grossa.
• Pipeline de Inferência:
  1. Previsão Grossa: O FNO treinado prevê uma aproximação grossa da solução.
  2. Discretização: Essa previsão em matriz/tensor é convertida em uma função de elemento finito (valores nodais).
  3. Refinamento: A solução grossa é interpolada na malha fina.
  4. Resolução Fina: Um solucionador iterativo (por exemplo, Gradiente Bi-Conjugado Estabilizado) refina a solução na malha fina, inicializada com a previsão do FNO.
• Vantagens: Isso reduz os requisitos de dados de treinamento (malhas grossas são mais baratas de gerar) e elimina a necessidade de resolver a EDP na malha grossa numericamente, reduzindo significativamente o tempo computacional total.

Principais Contribuições

1. Integração Multigrid para $\varphi$-FEM: O artigo adapta com sucesso técnicas multigrid ao framework $\varphi$-FEM, demonstrando que começar com uma solução grossa e refiná-la preserva a precisão enquanto acelera a convergência.
2. Solucionador Híbrido Neural-Multigrid: Os autores introduzem o $\varphi$-FEM-M-FNO, um acoplamento inovador onde um operador neural substitui a resolução na malha grossa. Esta abordagem evita as compensações de precisão dos solucionadores neurais diretos, usando a rede neural apenas para inicialização, confiando no solucionador rigoroso $\varphi$-FEM para o resultado final de alta precisão.
3. Validação Numérica: Os métodos são validados em problemas 2D e 3D, incluindo equações não lineares e geometrias complexas e aleatoriamente geradas definidas por funções de nível.

Resultados

O artigo apresenta quatro casos de teste numéricos comparando MEF Padrão, $\varphi$-FEM, $\varphi$-FEM-Multigrid e $\varphi$-FEM-M-FNO:

• Caso de Teste 1 (Disco Não Linear 2D): Ambas as variantes multigrid alcançaram precisão comparável ao $\varphi$-FEM clássico, mas significativamente mais rápido que o MEF Padrão e o $\varphi$-FEM padrão.
• Caso de Teste 2 (Esfera 3D): Em 3D, onde solucionadores diretos são proibitivamente caros, a abordagem multigrid superou os outros métodos em termos de compensação erro-verso-tempo, alcançando melhor precisão mais rapidamente.
• Caso de Teste 3 (Geometrias Complexas 2D com CBs Não Homogêneas):
  • Usando FNO treinado em malhas de $16 \times 16$, o $\varphi$-FEM-M-FNO foi consistentemente o método mais rápido em resoluções finas ($32$a$256$), com erros comparáveis às outras variantes do $\varphi$-FEM.
  • Usando FNO treinado em malhas de $32 \times 32$, o método manteve velocidade superior enquanto alcançava alta precisão (tolerância $10^{-9}$).
  • O tempo da "etapa grossa" para a abordagem FNO foi negligenciável (aprox. 0,004s) em comparação com a resolução numérica grossa (aprox. 0,16s).
• Caso de Teste 4 (Geometrias Complexas 3D): Em malhas 3D de até $160^3$, o $\varphi$-FEM-M-FNO foi sistematicamente muito mais rápido que tanto o $\varphi$-FEM quanto o $\varphi$-FEM-Multigrid, mantendo ou melhorando a precisão. O método lidou com sucesso com geometrias aleatórias e complexas definidas por funções de nível.

Significado e Alegações

O artigo afirma que o método $\varphi$-FEM-M-FNO representa um "framework híbrido promissor" que une a computação científica clássica e a aprendizagem de máquina. Seu significado principal reside em:

• Preservar a Precisão: Ao contrário de abordagens puras de operadores neurais, este método retém a convergência teórica e a alta precisão dos solucionadores baseados em MEF, usando a rede neural apenas para inicialização.
• Eficiência: Reduz significativamente o tempo computacional, transferindo a resolução da malha grossa para uma inferência neural rápida e aproveitando a aceleração multigrid.
• Escalabilidade: A abordagem mostrou-se eficaz tanto em 2D quanto em 3D, lidando com geometrias complexas e não conformes sem os gargalos de geração de malha do MEF tradicional.

Os autores notam modestamente que desafios permanecem, especificamente o custo computacional da fase de treinamento do FNO e a falta de uma análise teórica de convergência para o framework acoplado numérico/aprendizado. No entanto, eles posicionam este trabalho como uma base inovadora para aplicações multi-escala e industriais onde tanto a precisão quanto a eficiência são críticas.