Resumo Técnico: OnlyDense – Modelagem de Ordem Reduzida para Simulação Lagrangiana

Declaração do Problema

Métodos de simulação lagrangiana, como a Hidrodinâmica de Partículas Suaves (SPH) e o Método de Pontos Materiais (MPM), são essenciais para o estudo de sistemas dinâmicos na ciência e engenharia, particularmente em cenários que envolvem grandes deformações, fragmentação e impactos de hipervelocidade (por exemplo, blindagem de espaçace para detritos orbitais). No entanto, esses métodos enfrentam duas limitações críticas:

1. Custo Computacional: O custo da simulação escala quadraticamente com o número de partículas devido à dependência da estimativa de vizinhança para gradientes espaciais. Simulações envolvendo milhões de partículas tornam-se proibitivamente caras.
2. Não-diferenciabilidade: A natureza discreta e não-diferenciável das simulações numéricas dificulta problemas de design inverso, onde encontrar uma configuração ideal requer uma execução completa da simulação em cada iteração.

Embora o aprendizado de máquina tenha sido aplicado a sistemas dinâmicos, a literatura existente foca primariamente em simulações Eulerianas (baseadas em grade) ou métodos baseados em grafos para sistemas lagrangianos. Abordagens baseadas em grafos tratam o estado como um conjunto discreto de partículas, vinculando a complexidade tanto da representação quanto da dinâmica diretamente ao tamanho da discretização, o que impede a Modelagem de Ordem Reduzida (ROM) escalável para sistemas massivos de partículas.

Metodologia

Os autores propõem o OnlyDense, um framework de aprendizado que trata o estado do sistema como uma função contínua, em vez de um conjunto discreto de partículas. A trajetória do sistema é modelada como uma sequência de funções evoluindo dentro de um espaço de Hilbert.

Formulação Central

Em vez de embutir o estado em um manifold latente não linear ou usar redes neurais de grafos, o método aproxima o espaço de estados utilizando um subespaço linear aprendido gerado por um conjunto finito de funções de base neurais.

• Representação de Estado: O estado $s_t$ no tempo $t$ é definido sobre uma configuração de referência $\Omega_0$ e aproximado como:
  $$s_t(X) = \sum_{k=1}^{K} c_k(t) \phi_k(X)$$
  onde $\{\phi_k\}_{k=1}^K$ são funções de base aprendidas (parametrizadas por redes neurais) e $c_k(t)$ são coeficientes latentes.
• Aprendizado de Base (Codificador de Função): Os autores utilizam um "Codificador de Função" para aprender o conjunto de funções de base $\{\phi_k\}$. Os coeficientes $c(t)$ são obtidos via projeção direta (produto interno) ou otimização de mínimos quadrados, evitando a necessidade de encoders complexos ou esquemas de decodificação baseados em otimização usados em trabalhos anteriores de Representação Neural Implícita (INR).
• Aprendizado de Dinâmica: Uma vez que o estado é reduzido a um vetor de coeficientes de baixa dimensão $c(t)$, a dinâmica do sistema é aprendida inteiramente dentro deste espaço reduzido. O framework suporta tanto:
  • Tempo Discreto: Aprendendo um mapeamento $c_{t+1} = f(c_t; \Psi)$.
  • Tempo Contínuo: Aprendendo a derivada temporal $\dot{c}(t) = f(c, t; \Psi)$ usando Equações Diferenciais Ordinárias Neurais (Neural ODEs).
• Base Compartilhada: O framework impõe que os campos de posição e velocidade compartilhem o mesmo conjunto de funções de base, garantindo consistência física.

Distinções Técnicas Chave

• Linear vs. Não Linear: Ao contrário de trabalhos recentes que parametrizam funções de estado como manifolds não lineares, o OnlyDense restringe o espaço a um subespaço linear. Isso permite o acesso explícito às funções de base e aos coeficientes, permitindo a projeção direta em vez de otimização iterativa para codificação.
• Escalabilidade: A complexidade da representação é controlada pelo número de funções de base $K$, independente do número de pontos de discretização $N$. O método permite a amostragem de um subconjunto de partículas ($M \ll N$) para computar os coeficientes, tornando-o viável para simulações com mais de um milhão de partículas.
• Não-Intrusivo: O método não requer acesso às equações governantes, classificando-o como um ROM não-intrusivo.

Resultados Experimentais

O método foi avaliado em benchmarks Eulerianos (Equação de Onda 2D e Navier-Stokes) e simulações lagarianas de grande escala geradas pelo solver ABSTRAO.

Datasets

1. Benchmarks Eulerianos: Equação de onda 2D e Navier-sokes 2D em uma grade de $64 \times 64$.
2. Simulações Lagarianas:
   • Placa Explosiva: ~22.000 partículas.
   • Anel de Mott: ~3.400 partículas.
   • Impacto de Projétil: ~1,1 milhão de partículas (impacto de hipervelocidade de um projétil de alumínio em uma placa de aço).

Métricas de Desempenho

• Precisão de Reconstrução: O método alcançou pontuações $R^2$ superiores a 0,99 para a maioria dos datasets usando apenas 32 funções de base. Para a simulação de "Projétil" de 1,1 milhão de partículas, a pontuação $R^2$ atingiu aproximadamente 99% com 32 bases.
• Eficiência de Amostragem: Nas equações de Navier-Stokes 2D e de Onda, o OnlyDense demonstrou desempenho estável através de várias taxas de amostragem espacial (5%, 25%, 50%). Enquanto alguns baselines performaram bem sob altas taxas de amostragem, seu desempenho degradou significativamente sob observações esparsas, enquanto o OnlyDense permaneceu robusto.
• Comparação: Em comparações com baselines como I-MP-PDE, DeepONet, SIREN e DINo, o OnlyDense forneceu precisão competitiva ou superior, particularmente em cenários de extrapolação temporal (out-of-time) e sob condições de amostragem esparsa.

Significância e Alegações

O artigo posiciona o OnlyDense como uma unificação da Modelagem de Ordem Reduzida clássica baseada em projeção (especificamente, a Decomposição de Modos Ortogonais Propriamente, ou POD) com o aprendizado profundo moderno.

• Ponte Conceitual: A abordagem oferece uma ponte conceitual entre o POD e o aprendizado profundo. Enquanto o POD depende da Análise de Componentes Principais (PCA), que escala mal com a resolução e é limitado a configurações Eulerianas, o OnlyDense substitui as modos espaciais discretizados por funções de base neurais aprendidas. Isso permite a avaliação em localizações arbitrárias e estende o ROM para sistemas lagarianos com geometrias irregulares.
• Interpretabilidade: As variáveis latentes correspondem diretamente aos coeficientes no espaço de Hilbert, e as funções de base correspondem aos modos espaciais, proporcionando uma interpretação natural análoga à análise modal clássica.
• Escalabilidade: Ao desacoplar a complexidade da representação do tamanho da discretização, o método permite a reconstrução precisa e a previsão de dinâmica para sistemas de partículas massivos (milhões de partículas) que são computacionalmente intratáveis para abordagens tradicionais de ROM baseadas em grafos.

Limitações

Os autores reconhecem explicitamente uma limitação atual: o método depende de uma configuração de referência única. Embora eficaz para simulações Eulerianas (domínio fixo) ou simulações lagarianas com uma única referência, o framework ainda não consegue generalizar para cenários envolvendo múltiplas simulações com diferentes configurações de referência ou geometrias altamente irregulares que mudam de topologia significativamente. Isso é identificado como um alvo primário para trabalhos futuros.