Resumo Técnico: Deflação Espectral Online para Problemas de Controle Ótimo com Restrições de Estado

1. Enunciado do Problema

O artigo aborda problemas de controle ótimo com restrições de PDE paramétricos que apresentam restrições de estado pontuais. Uma aplicação representativa é o gerenciamento térmico de grandes ativos de energia (ex: transformadores de potência), onde uma fonte de calor distribuída $u$ deve conduzir um campo de temperatura $y$ em direção a um perfil desejado $y_d$ enquanto respeita um limite de segurança $\psi$.

O desafio computacional central surge no cenário de múltiplas consultas (estudos de design, gêmeos digitais, quantificação de incerteza), onde o mesmo problema de otimização com restrições deve ser resolvido repetidamente para parâmetros variados $\theta$ (ex: condições operacionais, propriedades de materiais).

O Obstáculo da Volatilidade do Conjunto Ativo

As restrições de estado são tipicamente impostas por uma estratégia de Conjunto Ativo Primal (PAS). Em cada iteração, o domínio é particionado em:

• Conjunto Ativo ($\mathcal{A}$): Onde a restrição de estado está ativa ($y = \psi$).
• Conjunto Inativo ($\mathcal{I}$): Onde o estado é livre ($y < \psi$).

Após eliminar o controle e as variáveis adjuntas, o problema reduz-se à resolução de um sistema de complemento de Schur restrito ao conjunto inativo:
$$M_{\mathcal{I}\mathcal{I}}(\theta) \mathbf{y}_{\mathcal{I}} = \mathbf{b}_{\mathcal{I}}$$
Este sistema é Positivo Definido Simétrico (SPD). No entanto, conforme o parâmetro $\theta$ muda, a partição ativo/inativo muda não suavemente (descontinuamente). Consequentemente, o operador restrito $M_{\mathcal{I}\mathcal{I}}$ varia em:

1. Dimensão (tamanho do conjunto inativo).
2. Padrão de esparsidade.
3. Espectro.

Essa volatilidade torna ineficazes as estratégias padrão de reutilização:

• Fatorações diretas esparsas precisam ser reconstruídas para cada instância.
• Hierarquias de Multigrid Algébrico (AMG) exigem reconstrução.
• Reciclagem de Krylov instância-a-instância falha porque a informação espectral de um sistema restrito anterior não se transfere necessariamente para o próximo devido à mudança abrupta na estrutura do operador.

2. Metodologia: Deflação Espectral Reutilizável

Os autores propõem uma estratégia que evita a reciclagem de informações espectrais entre sistemas restritos consecutivos. Em vez disso, eles ancoram a informação reutilizável a um único complemento de Schur de domínio total de referência ($M_{\text{ref}}$).

Algoritmo Central (A-DEF2)

O método emprega o CG deflacionado A-DEF2:

1. Construção da Base de Referência: Computar os $r_{\text{pool}}$ autovetores e autovalores $(\lambda_j, \phi_j)$ menores de um operador de referência fixo $M_{\text{ref}} = \alpha A(\theta_{\text{ref}})^\top A(\theta_{\text{ref}}) + I$ uma única vez (offline).
2. Restrição Online: Para uma nova instância de parâmetro $\theta$ com conjunto inativo $\mathcal{I}$, restringir os modos próprios pré-computados para $\mathcal{I}$: $\phi_j|_{\mathcal{I}}$.
3. Ortonormalização: Aplicar fatoração QR aos vetores restritos para formar a base de deflação $Z$.
4. Resolução Deflacionada: Utilizar $Z$ como uma base de deflação no algoritmo A-DEF2. Isso envolve um passo de correção grosseira seguido por CG pré-condicionado no operador projetado $P^\top M_{\mathcal{I}\mathcal{I}} P$, onde $P$ é o projetor $M_{\mathcal{I}\mathcal{I}}$-ortogonal.

Variantes de Construção de Base

Para lidar com diferentes regimes e reduzir custos, o artigo introduz várias melhorias:

• Re-seleção de Rayleigh–Ritz: Um passo opcional onde, após a restrição, resolve-se um pequeno problema de autovalores denso sobre o pool de candidatos para selecionar os melhores $r_{\text{defl}}$ vetores. Isso estabiliza a base em regimes frágeis (ex: Laplaciano 2D de alto rank) onde a simples restrição leva ao mau condicionamento.
• Enriquecimento por POD: Enriquecimento online usando snapshots de Decomposição de Órdenes Próprias (POD) de instâncias resolvidas anteriormente. Estes são fundidos com os modos próprios de referência via ortogonalização QR, sujeitos a salvaguardas de condicionamento.
• Prolongamento de Grade Grossa: Para evitar o alto custo de computar modos próprios em grade fina, os modos próprios são computados em uma grade mais grossa e prolongados para a grade fina via interpolação multilinear. Isso reduz o custo de autovalores offline por um fator de $c^d$ (onde $c$ é o fator de refinamento).
• Modos Próprios Analíticos: Para grades de produto tensorial com Laplaciano de coeficientes constantes, os modos próprios estão disponíveis em forma fechada (produtos de Kronecker de vetores seno), reduzindo o pré-cálculo offline para tempos submilisegundos.

Salvaguardas de Condicionamento

O método inclui dois limiares para garantir a estabilidade:

• $\tau_{\text{safe}}$ (Construção): Interrompe o enriquecimento de modos POD se o número de condição da matriz de Gram grossa exceder um limite conservador ($10^4$).
• $\tau_{\text{cond}}$ (Tempo de Resolução): Se o número de condição do sistema de grade grossa no tempo de resolução exceder um limite superior mais alto ($10^{10}$), o solver retorna ao CG padrão pré-condicionado por Jacobi.

3. Fundamentação Teórica: Coerência Espectral

A eficácia do método baseia-se no fenômeno de coerência espectral. Embora o operador restrito $M_{\mathcal{I}\mathcal{I}}$ mude de dimensão e espectro, seu subespaço de baixas frequências permanece alinhado com o subespaço de baixas frequências do operador de referência de domínio total $M_{\text{ref}}$.

• Isso é motivado pelo entrelaçamento de Cauchy (para submatrizes principais) e pelo teorema $\sin \Theta$ de Davis–Kahan (para perturbação de autovetores).
• Diagnósticos empíricos (ângulos principais) mostram que, embora os ângulos de pior caso entre subespaços possam atingir $90^\circ$, os ângulos para os principais modos de deflação (ex: os primeiros 20) permanecem pequenos (ex: $< 8,4^\circ$), garantindo que a base de deflação permaneça eficaz.

4. Principais Contribuições

1. Estratégia de Deflação Espectral Reutilizável: Um método para resoluções repetidas de conjuntos inativos que ancora a base a um operador de referência de domínio total, em vez de reciclar entre instâncias restritas.
2. Perspectiva de Operador de Referência: Um framework onde os baixos modos próprios de um complemento de Schur de domínio total são restritos online para conjuntos inativos dependentes de parâmetros.
3. Interpretação de Coerência Espectral: Uma explicação da eficácia do método baseada na estrutura de submatriz principal e perturbação de subespaço, validada por diagnósticos de ângulo principal.
4. Construção Prática de Base: Desenvolvimento de variantes incluindo prolongamento de grade grossa, modos analíticos, enriquecimento por POD e estabilização de Ritz, com salvaguardas explícitas de condicionamento.

5. Resultados Numéricos

O método foi avaliado em 15 configurações de benchmark (difusão, convecção-difusão, térmica não linear, transferência de calor conjugada) em 2D e 3D, além de uma extensão espaço-temporal.

Redução de Iterações

• Estado Estacionário: A deflação reduziu as iterações do CG em 55–98% comparado ao CG pré-condicionado por Jacobi "frio".
  • Configurações 3D mostraram reduções de 60–92% com rank $r=500$.
  • Configurações 2D exigiram re-seleção de Ritz ou fusão de POD para alcançar 86–98% de redução devido a problemas de condicionamento em ranks elevados.
• Espaço-Tempo: Para problemas parabólicos, uma base temporal de Kronecker alcançou 56–85% de redução de iterações, enquanto bases constantes no tempo falharam em capturar a dinâmica temporal.

Desempenho de Tempo de Execução (GPU vs. CPU)

• Hardware: GPU (NVIDIA H200/H100) vs. CPU (Intel Xeon/Azure).
• Aceleração (Speedup):
  • 3D: O CG deflacionado em GPU foi 591–973× mais rápido por instância do que solvers diretos esparsos em CPU para grades de $50^3$ (125K DOF).
  • Comparação com AMG: Apesar de o AMG exigir menos iterações, o CG deflacionado em GPU foi 13–18× mais rápido que o CPU AMG-RS devido ao menor custo por iteração na GPU e ao fato de as hierarquias de AMG precisarem ser reconstruídas para cada instância, enquanto a base de deflação é reutilizada.
• Amortização:
  • Com autovalores de grade fina, o custo offline domina para pequenos lotes de instâncias.
  • Com prolongamento de grade grossa ou modos analíticos, o custo offline é drasticamente reduzido.
  • Ponto de Equilíbrio (Break-even): Com métodos de grade grossa, a aceleração amortizada sobre solvers diretos de CPU é realizada dentro de 4–32 instâncias (dependendo da dimensão e do fator de refinamento). Com modos analíticos para grades de produto tensorial, o ponto de equilíbrio ocorre na primeira instância.

Precisão

Todas as resoluções deflacionadas corresponderam à solução direta de CPU para a tolerância de Krylov prescrita ($10^{-10}$), com erros relativos de estado comparáveis ao CG "frio" (medianas $\sim 10^{-10}$). As acelerações não se devem à relaxação da precisão.

6. Significância e Alegações

O artigo afirma que esta abordagem fornece uma medida de aceleração independente de hardware (redução de iterações) e ganhos substanciais de tempo de execução (wall-time) em implementações de GPU.

• Complementaridade: O método acelera a álgebra linear repetitiva de alta fidelidade sem substituir a solução de controle ótimo por um modelo substituto (ao contrário de Modelagem de Ordem Reduzida ou DeepONets). Ele preserva o sistema de otimalidade discreta com restrições.
• Robustez: É robusto às mudanças combinatórias induzidas por atualizações de conjunto ativo, um cenário onde a reciclagem de Krylov padrão falha.
• Escalabilidade: O método é bem adequado para execução em GPU, utilizando produtos matriz-vetor esparsos e pequenas resoluções densas de escala grossa.
• Limitações: A coerência espectral é validada empiricamente, mas não formalmente provada para todos os regimes. O método é atualmente limitado a grades estruturadas para modos analíticos e depende da montagem explícita do complemento de Schur para o autovalor, limitando os tamanhos de grade testados a $\sim 125.000$ DOF (estacionário) e $\sim 540.000$ DOF (espaço-tempo). Escalar além de $10^6$ DOF exigiria autovalores matrix-free.

Os autores concluem que, ao ancorar a base de deflação a um operador de referência estável, eles podem resolver problemas de controle ótimo com restrições de estado através de muitas instâncias de parâmetros, superando a volatilidade das mudanças de conjunto ativo que normalmente dificultam a reutilização de solvers.