No-Harm Physics-Informed Inverse Learning with Residual-Calibrated Uncertainty

Resumo Técnico: Aprendizado Inverso Informado por Física com Calibração de Incerteza por Resíduo Sem Dano

Definição do Problema
O aprendizado informado por física, particularmente as Redes Neurais Informadas por Física (PINNs), é cada vez mais aplicado a problemas inversos regidos por equações diferenciais parciais (PDEs). Embora esses métodos possam melhorar a qualidade da reconstrução em regimes familiares, sua confiabilidade em configurações mal postas permanece difícil de certificar. Uma reconstrução aprendida pode parecer visualmente plausível ou atingir um baixo erro de treinamento, enquanto permanece instável sob perturbações de dados, desajustes de modelo ou mudanças de distribuição fora do padrão (out-of-distribution). As abordagens atuais carecem frequentemente de informações de confiabilidade computáveis, tornando impossível distinguir entre uma melhoria genuína e uma solução "alucinada" ou instável. O desafio central é desenvolver um framework que permita aos solvers aprendidos melhorar em relação aos baselines tradicionais sem degradar silenciosamente a confiabilidade.

Metodologia
O artigo propõe um framework de seleção e certificação de "sem dano" (no-harm) que atua como uma camada de decisão, em vez de uma nova arquitetura de reconstrução. O princípio central é que uma reconstrução inversa aprendida só deve substituir uma reconstrução baseline se seu raio de incerteza calibrado pelo resíduo for demonstradamente não pior que o do baseline.

A metodologia procede através das seguintes etapas:

1. Definição de Resíduo: Para uma reconstrução candidata $(u, q)$, o framework computa quatro componentes distintos de resíduo:

   • Resíduo de Dados ($r_{data}$): O desajuste entre a saída do modelo e as observações ruidosas.
   • Resíduo de Física ($r_{pde}$): A violação da PDE governante.
   • Resíduo de Condição de Contorno/Inicial ($r_{bc}$): O desajuste com as restrições de contorno ou iniciais.
   • Resíduo de Otimização ($r_{opt}$): Uma medida de estacionariedade (ex: norma do gradiente) para considerar minimizadores aproximados e treinamento incompleto.

2. Estabilidade Condicional e Limites de Erro: O framework baseia-se em uma estimativa de estabilidade condicional (Assunção 1), que postula que, para um conjunto admissível de soluções, o erro de reconstrução é limitado por uma potência da soma dos resíduos e do ruído. Sob essa assunção, o artigo deriva um limite de erro a posteriori (Teorema 1). Este limite define um raio de incerteza calibrado pelo resíduo ($R$) que serve como um limite superior determinístico sobre o erro de reconstrução.

3. Extensões Estocásticas e de Otimização:

   • Para resíduos de física estimados via pontos de colocação aleatórios, o artigo deriva limites de alta probabilidade (Teorema 3) usando a desigualdade de Hoeffding, garantindo que o certificado permaneça válido mesmo quando os resíduos são amostrados.
   • Um resíduo de otimização é explicitamente incluído para penalizar soluções onde o otimizador não atingiu um ponto estacionário significativo, evitando a aceitação de resultados de treinamento "incompletos".

4. Regra de Seleção Sem Dano (No-Harm): Dado um baseline de reconstrução com raio $R_{base}$ e uma reconstrução aprendida com raio $R_{learn}$, a solução aprendida é aceita apenas se:
   $$R_{learn} \leq R_{base} + \epsilon_{safe}$$
   onde $\epsilon_{safe}$ é uma tolerância prescrita. Se esta condição falhar, o framework retorna ao baseline por padrão. Isso garante que a saída selecionada seja sempre controlada pelo certificado de confiabilidade do baseline.

Principais Contribuições
O artigo apresenta sete contribuições primárias:

1. Definição de Certificado de Resíduo: Um certificado unificado combinando resíduos de dados, física, contorno/inicial e otimização.
2. Limite de Erro A Posteriori: Uma prova de que, sob estabilidade condicional, esses resíduos geram um limite superior computável para o erro de reconstrução.
3. Raio de Incerteza: A introdução de um raio de incerteza calibrado pelo resíduo que pode ser reportado junto com as reconstruções aprendidas.
4. Regra de Seleção Sem Dano: Uma regra determinística que aceita reconstruções aprendidas apenas quando elas melhoram ou igualam a confiabilidade certificada de um baseline.
5. Certificação Estocástica: Limites de alta probabilidade para resíduos de física estimados a partir de pontos de colocação aleatórios independentes.
6. Integração de Resíduo de Otimização: Um mecanismo para considerar minimizadores aproximados e convergência de otimização via diagnósticos de estacionariedade.
7. Validação Numérica: Testes abrangentes em diversos problemas inversos (recuperação de fonte de Poisson, reconstrução de calor inversa, tomografia de ângulo limitado e identificação de coeficiente elíptico) para validar o comportamento do framework sob ruído, desajuste de modelo e mal postagem.

Resultados
Experimentos numéricos validam o framework em cinco cenários distintos:

• Recuperação de Fonte de Poisson: O seletor aceitou com sucesso candidatos aprendidos "bons" com raios certificados menores, enquanto rejeitou candidatos "deslocados" e "incompletos" que possuíam raios maiores, apesar de alguns apresentarem aparências visuais plausíveis.
• Reconstrução de Calor Inversa: Em regimes fortemente mal postos (onde o mapa direto é altamente suavizante), o framework tornou-se conservador, rejeitando candidatos aprendidos mesmo quando seu erro real era moderado, porque seus raios certificados excediam o baseline devido à instabilidade.
• Tomografia de Ângulo Limitado: Um teste de estresse crítico mostrou que um candidato aprendido com um erro real menor (em retrospectiva) foi rejeitado porque seu raio certificado era maior que o do baseline. Isso demonstra a dependência da regra em evidências disponíveis em vez da verdade fundamental (ground truth).
• Identificação de Coeficiente Geofísico: O framework aceitou melhorias aprendidas na identificação de coeficientes enquanto rejeitou candidatos deslocados, confirmando sua capacidade de detectar inconsistências estruturais.
• Validação de Resíduo Estocástico: Testes com pontos de colocação independentes confirmaram que os limites de alta probabilidade são conservadores e se estreitam conforme o número de pontos de validação aumenta, alcançando 100% de cobertura nos regimes testados.

Uma varredura de suficiência em larga escala (21.000 tentativas) revelou que a regra sem dano é altamente conservadora: ela rejeitou mais de 54% dos candidatos aprendidos que eram de fato mais precisos que o baseline (falsos rejeitos) para garantir que nenhum candidato inseguro (menos de 1,2% das seleções) fosse aceito. Isso confirma que o framework prioriza a confiabilidade sobre a maximização do potencial de precisão quando a verdade fundamental é desconhecida.

Significância e Alegações
O artigo afirma que sua principal contribuição não é uma nova arquitetura neural ou um solver específico, mas uma regra de decisão reutilizável para aprendizado inverso informado por física. O framework altera o paradigma operacional de "reconstruir e esperar" para "reconstruir, certificar e selecionar".

Os autores enfatizam que o método é independente de arquitetura, capaz de envolver PINNs, operadores neurais, solvers desenrolados (unrolled solvers) ou otimizadores clássicos. A significância reside em fornecer um mecanismo para evitar que saídas aprendidas não certificadas substituam silenciosamente baselines tradicionais mais seguros. Ao vincular a aceitação a um certificado calibrado pelo resíduo derivado da estabilidade condicional, o framework garante que qualquer melhoria na reconstrução seja sustentada pela consistência de dados, conformidade física e convergência de otimização, em vez de apenas plausibilidade visual ou perda de treinamento. O artigo conclui que, na ausência de verdade fundamental, o princípio de "sem dano" fornece uma salvaguarda necessária para o uso de aprendizado informado por física em problemas inversos críticos.