APEX: Amplitude Anchors and Phase Priors for Target-Scarce Higher-Frequency Wave Prediction

Resumo Técnico: APEX

Declaração do Problema
Surrogatos baseados em aprendizado, particularmente operadores neurais, demonstraram eficácia na previsão de campos de onda dentro de regimes de frequência observados. No entanto, prever campos de onda de frequência mais alta sob supervisão alvo escassa permanece um desafio significativo. Em muitos domínios físicos (por exemplo, eletromagnetismo, acústica), dados de frequência mais alta são substancialmente mais caros para simular ou medir devido a requisitos de discretização mais fina e controle numérico mais rigoroso. Consequentemente, os praticantes frequentemente possuem dados abundantes de baixa frequência, mas apenas supervisão limitada no regime alvo de frequência mais alta.

Estratégias existentes, como extrapolação direta de baixa para alta frequência ou ajuste fino de modelos de baixa frequência em dados limitados de alta frequência, frequentemente falham em regimes altamente oscilatórios. O artigo identifica que a dificuldade central não é meramente um aumento uniforme do erro, mas uma assimetria inerente na transferibilidade entre frequências: enquanto estruturas de amplitude grosseira permanecem relativamente estáveis entre frequências, estruturas oscilatórias sensíveis à fase deterioram-se rapidamente à medida que o intervalo de frequência aumenta.

Metodologia: APEX
Para abordar essa assimetria, os autores propõem o APEX (Melhoria Ancorada em Amplitude e Guiada por Prior de Fase a partir de Previsões Grosseiras Extrapoladas). O framework decompõe a tarefa de previsão de frequência mais alta em duas etapas distintas:

1. Âncora de Amplitude Grosseira:
   Um operador neural (especificamente um Operador Neural de Fourier, FNO) é treinado exclusivamente em dados abundantes de baixa frequência e depois congelado. Quando consultado em uma frequência alvo mais alta, este operador fornece uma previsão grosseira. O framework extrai apenas o log-amplitude dessa previsão, tratando-o como uma âncora estrutural transferível. A informação de fase dessa extrapolação é descartada, pois é considerada não confiável no regime de frequência mais alta.

2. Prior de Fase Inspirado na Função de Green:
   Para recuperar o detalhe oscilatório faltante, o APEX introduz um prior de fase explícito. Este prior é um surrogato analítico leve baseado em uma visão de propagação geométrica. Ele aproxima a fase acumulada ao longo dos caminhos de propagação dominantes usando a fórmula:
   $$G_{prior}(r, r_s; e, \nu) = \sum_{m=1}^{M} a_m \exp(i \kappa_{ref}(e, \nu) L_m(r, r_s))$$
   onde $L_m$ é o comprimento do caminho geométrico, $\kappa_{ref}$ é um coeficiente de fase de referência adaptativo ao domínio, e $M$ representa o número de caminhos dominantes retidos. Isso fornece um andaime oscilatório consciente da fonte e da geometria, sem tentar reproduzir o campo complexo completo.

3. Melhorador de Correspondência de Fluxo Condicional:
   Um modelo generativo baseado em Correspondência de Fluxo Condicional (CFM) é empregado para reconstruir o campo alvo de frequência mais alta. O modelo é condicionado em três componentes:

   • A âncora de amplitude grosseira ($a_{coarse}$).
   • O seno e o cosseno do prior de fase ($\sin \phi_{base}, \cos \phi_{base}$).
   • Incorporações de recursos de Fourier da frequência alvo.

   O melhorador aprende a mapear uma distribuição de ruído para o campo complexo alvo (representado como log-amplitude e fase seno/cosseno) minimizando uma perda de correspondência de fluxo, recuperando efetivamente os detalhes oscilatórios de alta frequência que a âncora grosseira e o prior de fase sozinhos não conseguem capturar totalmente.

Principais Contribuições

• Identificação da Assimetria de Transferência: O artigo demonstra empirica e teoricamente que, em campos de onda complexos, a estrutura de amplitude grosseira é significativamente mais transferível entre frequências do que a estrutura oscilatória sensível à fase. Isso é formalizado através de uma decomposição regional do erro, mostrando que os erros de fase escalam quadraticamente com a frequência ($\nu^2$), enquanto os erros de amplitude não.
• Framework Decomposto (APEX): Uma arquitetura inovadora que separa explicitamente a tarefa de previsão em reutilizar a estrutura grosseira transferível (amplitude) e recuperar separadamente o detalhe oscilatório faltante (fase) guiado por priors inspirados na física.
• Desempenho sob Escassez: O método é especificamente projetado para cenários com supervisão alvo de frequência escassa, superando a extrapolação direta, operadores adaptados ao alvo e baselines generativos conjuntos.

Resultados Experimentais
O APEX foi avaliado em três benchmarks: SimpleWave (um simulador de onda de dois caminhos), Helmholtz (equação de onda heterogênea no domínio da frequência) e Maxwell (simulações eletromagnéticas de onda completa). A avaliação focou na extrapolação para frequências 20%, 50% e 100% mais altas que a frequência máxima de treinamento.

• Desempenho Quantitativo: Em todos os benchmarks, o APEX consistentemente alcançou o menor erro complexo relativo $H^1$ e a maior Coerência de Fase Ponderada por Amplitude (AWPC). Por exemplo, no benchmark Helmholtz em HF100 (100% de extrapolação), o APEX alcançou um erro $H^1$ de 0,634 e AWPC de 0,815, superando significativamente a melhor baseline (FNO-Joint: $H^1$ 0,899, AWPC 0,737).
• Análise Qualitativa: Comparações visuais mostram que, enquanto a extrapolação direta preserva alguma amplitude grosseira, mas falha no alinhamento de fase, e modelos generativos conjuntos produzem estruturas plausíveis, mas desalinhadas, o APEX recupera com sucesso tanto a localização da amplitude quanto os padrões de fase coerentes da verdade fundamental.
• Estudos de Ablação: Remover o prior de fase ou a âncora grosseira resultou em degradação significativa do desempenho, confirmando que ambos os componentes são necessários e complementares. A âncora grosseira fornece organização global, enquanto o prior de fase guia a recuperação fina oscilatória.

Significado e Alegações
O artigo alega que a previsão confiável de campos de onda oscilatórios de frequência mais alta não deve depender da transferência direta de ponta a ponta do campo complexo completo. Em vez disso, defende uma estratégia que reutiliza explicitamente a estrutura grosseira transferível (amplitude) enquanto recupera separadamente o detalhe oscilatório faltante usando priors guiados pela física.

Os autores posicionam o APEX como uma solução para o problema de "supervisão escassa" na modelagem de ondas de alta frequência, oferecendo uma maneira de aproveitar dados abundantes de baixa frequência sem exigir conjuntos de dados extensos de alta frequência para treinamento. O trabalho sugere que entender os componentes específicos de um campo que se degradam sob deslocamentos de frequência é crucial para o projeto de modelos surrogatos generalizáveis.

Limitações
Os autores reconhecem que o custo de inferência do APEX é maior que uma única passagem direta de um operador neural devido à amostragem iterativa exigida pelo melhorador de correspondência de fluxo. Além disso, o prior de fase é uma aproximação simplificada que não modela totalmente efeitos complexos de múltiplos caminhos ou dispersão forte, embora sirva como um andaime leve eficaz. A implementação atual utiliza o FNO como espinha dorsal, embora o conceito de âncora de amplitude seja teoricamente agnóstico à espinha dorsal.