Evaluating Operators for Acoustic Wave Simulation Correction

Resumo Técnico: Avaliação de Operadores para Simulação de Ondas Acústicas

Definição do Problema
Simulações numéricas de propagação de ondas acústicas são essenciais para aplicações como imagem sísmica, detecção de falhas e testes não destrutivos. No entanto, estas simulações sofrem de duas fontes primárias de discrepância em relação à realidade: simplificações físicas (ex: negligenciar a atenuação) e erros de discretização numérica. Embora o aprendizado de máquina (ML) tenha sido aplicado para corrigir artefatos de dispersão numérica em equações de ondas elásticas, este framework não foi sistematicamente aplicado à equação de onda acústica. Além disso, estudos existentes tipicamente avaliam uma única arquitetura isoladamente, deixando uma lacuna na compreensão de qual método de aprendizado é mais adequado para reduzir a lacuna entre um solver numérico subótimo e uma referência de alta fidelidade.

Metodologia
Os autores instanciam o framework "Deep Finite Difference" para propagação de ondas acústicas anisotrópicas 2D. A tarefa central é formulada como aprendizado de operador: mapear traços espaço-temporais gerados por um solver de baixa fidelidade para aqueles de uma referência de alta fidelidade.

• Geração de Dados: O estudo gera 27.000 pares de traços usando dois solvers em uma grade uniforme periódica 2D ($N_t = 256$ passos de tempo):
  • Solver de Referência: Método Pseudo-Espectral de Fourier (PS) com integração de tempo leapfrog de segunda ordem.
  • Solver de Proximidade (Proxy): Método de Diferenças Finitas (FD) centrado de quarta ordem com integração de tempo leapfrog de segunda ordem.
  • Entradas: Campos de velocidade heterogêneos são extraídos de Negahdari et al. (2025), e a fonte é um wavelet de Ricker modulando um envelope Gaussiano 2D. Condições de contorno periódicas são usadas para isolar erros de dispersão de FD.
• Pipeline de Correção: A tarefa de correção é tratada como um problema de aprendizado residual. Uma correção inicial de Regressão de Componentes Principais (PCR) é aplicada aos traços de FD para remover o componente linear do erro. Modelos subsequentes então predizem o residual para refinar o traço.
• Arquiteturas Avaliadas: Doze arquiteturas de correção são testadas sob um protocolo unificado de validação cruzada de 10 dobras (10-fold). O conjunto inclui:
  • ML Clássico: Regressão Linear (LR), K-Vizinhos Mais Próximos (KNN), Extra Trees (ET) e PCR.
  • Aprendizado Profundo: Perceptrons Multicamadas (MLP), Redes Neurais Convolucionais 1D e 2D (CNN1d, CNN2d), U-Nets e Operadores de Redes Neurais de Fourier (FNO).
• Métricas: O desempenho é medido usando o Erro Quadrático Médio Normalizado pela Raiz (RNMSE). A significância estatística é avaliada via teste de postos sinalizados de Wilcoxon com correção de Holm.

Principais Resultados

• Impacto do Pré-processamento Linear: Todos os pipelines que incorporam um palpite inicial de PCR superam substancialmente aqueles que operam diretamente nos traços brutos de FD. Isso confirma que remover o componente de dispersão linear primeiro facilita uma correção não linear eficaz.
• Desempenho das Arquiteturas:
  • FNO: O Operador de Rede Neural de Fourier alcançou o menor RNMSE médio (0,0790), seguido de perto pela CNN2d (0,0804).
  • CNN2d vs. CNN1d: Convoluções 2D superaram marginalmente as convoluções 1D. Embora o erro de dispersão se manifeste como um deslocamento de fase temporal, a dependência espacial da onda acústica sugere que núcleos 2D capturam os eixos de correção espacial e temporal de forma mais eficaz.
  • Significância Estatística: Embora os FNOs tenham mostrado o melhor desempenho, a margem absoluta sobre a CNN2d foi modesta. O diagrama de Diferenças Críticas indicou que não há diferença estatisticamente significativa entre as arquiteturas de melhor desempenho (FNO e CNN2d) dado o tamanho da amostra ($n=10$ dobras).
• Comparação com Baseline: Todos os pipelines de ML reduziram a discrepância de dispersão abaixo do erro baseline de PCR (0,0903), demonstrando que existe uma relação não linear entre os traços de FD e PS que o ML pode explorar.

Significância e Contribuições
O artigo reivindica duas contribuições primárias:

1. Primeiro Benchmark Sistemático para Correção Acústica: Este trabalho apresenta o primeiro benchmark sistemático para corrigir a dispersão numérica em simulações de ondas acústicas 2D anisotrópicas, um cenário anteriormente não abordado na literatura. Ele introduz um conjunto de dados benchmark de 27.000 pares de traços disponível publicamente.
2. Avaliação Unificada de Diversas Arquiteturas: Ao contrário de trabalhos anteriores que testam modelos únicos, este estudo avalia uma ampla gama de métodos — desde regressão clássica até avançados Operadores de Redes Neurais — sob um único protocolo. Estabelece que, embora os FNOs teoricamente se alinhem bem com a natureza espectral dos erros de dispersão, sua vantagem prática sobre as CNNs neste cenário acústico específico é modesta e requer investigação adicional para confirmar a significância estatística.

Os autores concluem que, embora os FNOs atualmente rendam o melhor desempenho, a falta de uma diferença estatisticamente significativa sobre a CNN2d sugere que os profissionais devem pesar o desempenho contra o custo computacional e a contagem de parâmetros. Sugere-se que trabalhos futuros estendam este framework para simulações 3D e investiguem arquiteturas alternativas de Operadores de Redes Neurais.