Consistent CutPINNs for Elliptic PDEs on Curved Level-Set Domains

Resumo Técnico: CutPINNs Consistentes para EDPs Elípticas em Domínios Curvos Definidos por Níveis

Enunciado do Problema
As Redes Neurais Informadas pela Física (PINNs) oferecem uma abordagem sem malha para resolver equações diferenciais parciais (EDPs), tornando-as naturalmente adequadas para domínios definidos implicitamente por funções de nível. No entanto, formulações padrão de PINN sofrem de uma inconsistência teórica quando aplicadas a problemas elípticos de segunda ordem. A função de perda padrão penaliza o desajuste na fronteira na norma $L^2(\partial\Omega)$. Embora o bom posicionamento de problemas elípticos seja governado pela norma de energia $H^1(\Omega)$, as estimativas a priori relevantes exigem o controle do resíduo na fronteira no espaço de Sobolev fracionário $H^{1/2}(\partial\Omega)$. Como o mergulho $H^{1/2}(\partial\Omega) \subset L^2(\partial\Omega)$ é estrito, minimizar a perda de fronteira $L^2$ padrão não garante a minimização do erro $H^1$. Essa discrepância permite oscilações de alta frequência que desaparecem nos pontos de colocalização, mas possuem grandes seminormas $H^{1/2}$, levando a taxas de convergência pobres e instabilidade, particularmente em configurações de "célula cortada" onde a fronteira do domínio intersecta uma grade de amostragem.

Trabalhos anteriores de Bonito et al. [4] abordaram isso introduzindo funções de perda "consistentes" que aproximam a norma $H^{1/2}(\partial\Omega)$ via um substituto discreto. No entanto, sua construção depende da decomposição simplicial de Kuhn–Tucker de faces de fronteira planas (especificamente no cubo unitário) e da estrutura afim dessas faces. Essa abordagem não se estende a fronteiras suaves e curvas definidas por funções de nível, deixando uma lacuna na aplicação teórica e prática de PINNs consistentes a domínios curvos gerais.

Metodologia
O artigo propõe o framework Consistent CutPINN, projetado especificamente para domínios bidimensionais limitados $\Omega = \{x \in \mathbb{R}^2 : \phi(x) < 0\}$ onde $\phi$ é uma função de nível $C^2$. A metodologia central envolve a construção de um substituto discreto para a norma $H^{1/2}(\partial\Omega)$ diretamente a partir de pontos de colocalização na fronteira curva, sem exigir uma malha subjacente de elementos finitos ou decomposição simplicial.

1. Construção da Norma Discreta: Os autores definem uma norma $H^{1/2}$ discreta usando uma discretização de soma dupla da seminorma intrínseca de Gagliardo sobre pontos de colocalização $Z = \{z_1, \dots, z_m\} \subset \partial\Omega$. O núcleo utiliza a distância euclidiana ambiente $|z - z'|$ em vez da distância ao longo do arco.
2. Fundamentação Teórica: O framework baseia-se em um Lema Chord-arc (Lema 1), que estabelece que, para uma curva $C^2$, a distância da corda euclidiana é comparável à distância ao longo do arco. Essa equivalência permite aos autores provar uma equivalência de norma de dois lados (Teorema 3) entre o substituto discreto e a norma de traço contínua $H^{1/2}(\partial\Omega)$, desde que os pontos da fronteira sejam equidistantes em comprimento de arco (ou quase uniformes).
3. Funções de Perda: Duas funções de perda consistentes são definidas:
   • $L^*_{sq,2}$: Usa o resíduo interno padrão $L^2$ e o novo resíduo de fronteira $H^{1/2}$ discreto.
   • $L^*_{sq,\gamma}$: Usa um resíduo interno $L^\gamma$ (com $\gamma \to 1$) para aproximar melhor a norma $H^{-1}$, combinado com o termo de fronteira $H^{1/2}$ discreto.
4. Recuperação Ótima: O framework é analisado dentro da teoria de recuperação ótima sob suposições de regularidade de Besov. Os autores derivam um limite de erro a priori $H^1$ (Teorema 7) mostrando que minimizar a perda consistente controla o erro $H^1 na taxa de recuperação ótima.

Principais Contribuições

• Extensão a Domínios Curvos: O artigo preenche a lacuna entre funções de perda consistentes e fronteiras curvas definidas implicitamente. Demonstra que a norma $H^{1/2}$ discreta construída a partir de distâncias euclidianas em uma curva $C^2$ é equivalente em norma à norma de traço contínua, removendo a dependência de decomposições simpliciais de faces planas.
• Limites de Erro A Priori: Os autores estabelecem um limite rigoroso de erro a priori $H^1$ para o framework Consistent CutPINN. O limite depende da curvatura máxima da fronteira através da constante Chord-arc e atinge taxas de convergência ótimas sob regularidade de Besov.
• Robustez a Configurações de Célula Cortada: Análise teórica e experimentos numéricos mostram que a perda consistente é significativamente mais robusta à posição do domínio em relação aos pontos de amostragem em comparação com PINNs padrão.
• Robustez Probabilística: O artigo inclui uma análise probabilística (Proposição 4) mostrando que a seminorma discreta se concentra em torno de sua média mesmo sob amostragem de fronteira Monte Carlo i.i.d., sugerindo que a eficácia do método se estende além da amostragem estritamente equidistante.

Resultados
Experimentos numéricos foram conduzidos em um disco (convexo) e em um domínio de flor não convexo (simetria de cinco dobras) usando soluções fabricadas.

• Precisão: A perda consistente $L^*_{sq,2}$ superou consistentemente a perda PINN padrão ($L_{sq,1}$). No disco, alcançou um erro $H^1$ 4,9 vezes menor em alta resolução; no domínio da flor, o fator de melhoria atingiu 8,1 vezes.
• Taxas de Convergência: A perda padrão saturou em um nível de erro sub-ótimo (inclinação $\approx -0,31$) porque o termo de fronteira $L^2$ falhou em controlar o traço $H^{1/2}$. Em contraste, a perda consistente $L^*_{sq,2}$ alcançou a inclinação de convergência ótima prevista de $\approx -0,49$ (correspondendo ao teórico $-0,50$).
• Estabilidade: Em um experimento de "disco em movimento" onde o centro do domínio foi deslocado 121 vezes, a perda padrão exibiu alta variância e divergência ocasional (picos no erro). A perda consistente $L^*_{sq,2}$ reduziu o desvio padrão do erro por um fator de 26 e permaneceu estável em 120 de 121 configurações.
• Amostragem Não Uniforme: Mesmo quando pontos de fronteira foram amostrados via Monte Carlo i.i.d. (violando a suposição de equidistância do teorema principal), a perda consistente ainda reduziu o erro $H^1$ por um fator de 3,9 em comparação com a perda padrão.

Significância
O artigo afirma que o Consistent CutPINN fornece o primeiro framework que combina funções de perda consistentes com domínios curvos definidos implicitamente. Ao provar que o substituto $H^{1/2}$ discreto construído a partir de distâncias euclidianas é equivalente em norma ao traço contínuo em curvas $C^2$, o trabalho valida o uso de perdas consistentes em configurações sem malha para geometrias complexas. Os resultados demonstram que abordar o desajuste de norma na função de perda é crítico para alcançar taxas de convergência ótimas e robustez em PINNs, particularmente quando a solução exibe camadas limites ou oscilações de alta frequência. Os autores observam que a análise atual está restrita a $d=2$ devido à dependência de parametrização global por comprimento de arco para o Lema Chord-arc, deixando extensões para 3D e domínios com cantos como trabalho futuro.