Resumo Técnico: Otimização Constrained por EDPs Dependentes do Tempo via Dinâmicas Latentes de Forma Fraca

Declaração do Problema

Problemas de otimização de alta dimensão e dependentes do tempo, constrained por equações diferenciais parciais (EDPs), são computacionalmente proibitivos em configurações de design e controle com muitas consultas. Esses problemas exigem resoluções repetidas de modelos físicos de alta fidelidade, tanto no sentido direto quanto de sensibilidade, dentro de loops iterativos de otimização. O custo computacional de invocar solucionadores de EDPs de alta fidelidade para cada avaliação de gradiente ou consulta de função torna tais fluxos de trabalho inviáveis para sistemas complexos. Embora existam estratégias baseadas em substitutos (surrogates), muitas dependem da interpolação de quantidades específicas de interesse (QoIs), exigindo retreinamento quando os objetivos mudam, ou utilizam modelos de ordem reduzida (MORs) que podem carecer de robustez frente a dados de treinamento ruidosos ou falhar em fornecer informações de gradiente escaláveis.

Metodologia

O artigo propõe um framework que integra a Identificação de Dinâmicas Latentes de Forma Fraca (WLaSDI) à otimização baseada em gradientes constrained por EDPs. A metodologia prossegue através de quatro etapas-chave:

1. Amostragem de Dados e Compressão: Trajetórias de solução de alta fidelidade são geradas para um conjunto de parâmetros de treinamento. Esses estados de alta dimensão são comprimidos em um espaço latente de baixa dimensão ($z \in \mathbb{R}^{N_z}$, onde $N_z \ll N_u$) usando um par codificador-decodificador (por exemplo, Decomposição Ortogonal Proper ou autoencoders).
2. Identificação de Dinâmicas de Forma Fraca: Em vez de identificar dinâmicas latentes via derivadas temporais explícitas (como em SINDy de forma forte), o framework emprega a Estimação de Forma Fraca de Dinâmicas Não Lineares (WENDy). Esta abordagem projeta as dinâmicas latentes sobre funções de teste suaves e de suporte compacto e aplica integração por partes. Isso evita a diferenciação numérica explícita de trajetórias de treinamento potencialmente ruidosas, melhorando significativamente a robustez. A evolução latente é modelada como uma equação diferencial ordinária (EDO) paramétrica:
   $$\frac{dz}{dt}(t, \mu) = W^T(\mu) \theta(z(t, \mu))$$
   onde $W(\mu)$ são matrizes de coeficientes identificadas via mínimos quadrados de forma fraca, e $\theta(z)$ é uma biblioteca de funções não lineares candidatas.
3. Reformulação da Otimização: O problema original de otimização constrained por EDP é reformulado substituindo as restrições de EDP de alta fidelidade pelas restrições de EDO latente aprendidas. A função objetivo e as restrições são avaliadas decodificando a trajetória latente de volta ao espaço físico.
4. Derivação de Gradientes: Para permitir otimização baseada em gradientes escalável, o artigo deriva expressões de gradiente tanto de sensibilidade direta quanto baseadas em adjunto para as dinâmicas latentes reduzidas. Essas formulações permitem o cálculo eficiente de gradientes em relação aos parâmetros de design $\mu$ resolvendo sistemas lineares envolvendo os jacobianos de baixa dimensão da EDO latente, em vez dos resíduos completos da EDP de ordem total.

Contribuições Principais

O artigo faz três contribuições primárias:

• Formulação de um Framework Reduzido: Formula um framework reduzido baseado em WLaSDI para otimização constrained por EDPs dependentes do tempo, substituindo resoluções repetidas de alta fidelidade pela integração eficiente de dinâmicas latentes aprendidas.
• Derivação de Gradientes: Deriva expressões de gradiente de sensibilidade direta e baseadas em adjunto especificamente para as dinâmicas latentes aprendidas. Isso permite a avaliação escalável de gradientes à medida que a dimensão do parâmetro aumenta, um requisito crítico para otimização prática.
• Demonstração de Robustez e Eficiência: Através de três problemas de referência, o trabalho demonstra que o WLaSDI permite otimização precisa e eficiente, exibindo robustez superior a dados de treinamento ruidosos em comparação com LaSDI de forma forte e substitutos baseados em interpolação.

Resultados

O framework foi avaliado em três problemas de referência dependentes do tempo:

1. Equação de Burgers Inviscida: Um problema inverso identificando parâmetros de condição inicial para corresponder a um estado alvo.

   • Precisão: O WLaSDI alcançou erros relativos de parâmetro de $\approx 0,5\%$ mesmo com 40% de ruído gaussiano aditivo, superando o LaSDI de forma forte e a interpolação por Funções de Base Radial (RBF) em até duas ordens de magnitude em precisão.
   • Eficiência: Proporcionou uma aceleração de $\approx 20\times$ sobre a otimização do modelo de ordem total (MOT) e de $\approx 5\times$ sobre o LaSDI.

2. Sistema Vlasov–Poisson: Um problema inverso para a instabilidade de dois feixes.

   • Precisão: O método recuperou com sucesso os parâmetros alvo com alta fidelidade sob 5% de ruído.
   • Eficiência: As avaliações do WLaSDI levaram 0,1 segundos em um único núcleo, comparado a $\approx 72$ segundos para o MOT em 16 núcleos, representando uma aceleração de até cinco ordens de magnitude.

3. Transferência Radiativa Térmica (TRT) para Design de Hohlraum: Um problema de otimização de design visando minimizar a variação de temperatura na superfície de uma cápsula de fusão sujeita a restrições de aquecimento.

   • Robustez: Na presença de 5% de ruído, o WLaSDI convergiu consistentemente para o ótimo global livre de ruído, enquanto o LaSDI de forma forte exibiu dispersão e desvio significativos.
   • Eficiência: O substituto reduziu os custos computacionais em aproximadamente cinco ordens de magnitude em relação à otimização do MOT. O uso de submodelos locais permitiu treinamento e otimização paralelizados.

Significado e Alegações

O artigo alega que as dinâmicas latentes de forma fraca fornecem uma fundação de substituto eficiente e robusta ao ruído para otimização baseada em gradientes de sistemas complexos de EDPs dependentes do tempo.

• Robustez: Ao evitar diferenciação explícita, a abordagem de forma fraca produz dinâmicas de substituto mais confiáveis, o que é particularmente crítico quando os dados de treinamento são ruidosos — um cenário comum em contextos experimentais ou de simulação de alta fidelidade.
• Escalabilidade: A derivação de gradientes baseados em adjunto para a EDO latente permite que o framework escale para espaços de parâmetros de alta dimensão sem a penalidade computacional associada a resoluções completas de adjunto de ordem total.
• Flexibilidade: Diferentemente de substitutos específicos para QoIs (por exemplo, interpolação RBF) que exigem retreinamento para novos objetivos, o WLaSDI reconstrói todo o campo de solução. Isso permite a avaliação de QoIs e restrições arbitrárias sem retreinamento, tornando-o adaptável a requisitos de design em evolução.
• Desempenho: Os resultados demonstram que o WLaSDI pode alcançar acelerações de até cinco ordens de magnitude em relação à otimização de ordem total, mantendo alta precisão, efetivamente permitindo fluxos de trabalho de muitas consultas que anteriormente eram computacionalmente proibitivos.

Os autores observam que, embora o desempenho seja forte, a confiabilidade da otimização depende ultimamente da precisão dos substitutos, destacando a necessidade de trabalhos futuros em quantificação de incertezas e estratégias de múltiplas fidelidades.