Consistent CutPINNs for Convection-Diffusion Equations on Curved Level-Set Domains

Resumo Técnico: CutPINNs Consistentes para Equações de Convecção-Difusão em Domínios de Nível de Conjunto Curvos

Definição do Problema
O artigo aborda a solução numérica da equação estacionária de convecção-difusão:
$$-\varepsilon \Delta u + \mathbf{b} \cdot \nabla u + c u = f \quad \text{em } \Omega, \quad u = g \quad \text{em } \partial\Omega$$
em domínios limitados $\Omega \subset \mathbb{R}^2$ definidos implicitamente por funções de nível $C^2$ (domínios de corte curvos). O foco é no regime de convecção dominante, onde o coeficiente de difusão $\varepsilon$ é pequeno em relação à magnitude da convecção ($\varepsilon \ll \|\mathbf{b}\|_\infty$). Neste regime, as soluções desenvolvem camadas de contorno finas de ordem $O(\varepsilon)$, onde o resíduo pontual cresce como $O(\varepsilon^{-1})$.

Os autores identificam duas falhas específicas das Redes Neurais Informadas pela Física (PINNs) padrão neste cenário:

1. Desajuste de Norma nas Fronteiras: Penalidades de contorno $L^2(\partial\Omega)$ padrão falham em controlar a norma de traço $H^{1/2}(\partial\Omega)$ necessária para a bem-posedidade em $H^1(\Omega)$, levando a formulações de perda inconsistentes.
2. Sobrepeso do Resíduo no Interior: Em fluxos de convecção dominante, os resíduos de ordem $O(\varepsilon^{-1})$ dentro da camada de contorno dominam a perda $L^2$ padrão do interior. Isso faz com que a otimização priorize a resolução da camada em detrimento do volume principal suave, onde o erro $H^1$ está de fato concentrado. Isso leva à instabilidade de treinamento e à "fragilidade de semente" (divergência em muitas inicializações aleatórias) conforme $\varepsilon$ diminui.

Metodologia
O artigo propõe um framework Consistent CutPINN que modifica a função de perda para alinhar-se com a estrutura funcional-analítica do problema e os desafios específicos da convecção dominante. O método opera em domínios curvos sem geração de malha, utilizando métodos de nível de conjunto (level-set) para definir a geometria.

O funcional de perda proposto, $L^*_\gamma$, consiste em dois componentes:

1. Termo de Fronteira Discreto: Uma norma de traço $H^{1/2}(\partial\Omega)$ discreta (baseada em uma soma dupla de Gagliardo sobre pontos equidistantes de comprimento de arco). Isso substitui a penalidade de contorno $L^2$ padrão para garantir consistência com o teorema de traço contínuo em geometrias curvas.
2. Termo de Interior Discreto: Uma norma $L^\gamma$ discreta do resíduo da PDE, onde o expoente é definido como $\gamma = 1 + 1/\log \tilde{m}$ ($\tilde{m}$ sendo o número de pontos de colocação no interior).
   • Esta escolha de $\gamma$ (ligeiramente acima de 1) atua como um substituto computável para o termo de estabilidade $H^{-1}$.
   • Ela atenua os resíduos da camada de ordem $O(\varepsilon^{-1})$ em relação à norma $L^2$ (que os amplifica por $\varepsilon^{-2}$), evitando que a camada domine a perda e permitindo que a rede resolva o volume principal suave.

O pipeline de treinamento utiliza uma estratégia de otimização de duas fases: uma fase de exploração inicial usando AdamW para navegar no landscape de perda, seguida por uma fase de refinamento usando L-BFGS.

Principais Contribuições

1. Primeiro Tratamento de Perda Consistente para Convecção-Difusão: O artigo fornece a primeira aplicação do framework de perda consistente (anteriormente limitado a equações de Poisson em domínios planos ou de corte) às equações de convecção-difusão. Ele preenche a lacuna entre a teoria de perda consistente e os regimes de convecção dominante.
2. Identificação da Norma de Interior como o Fator Determinante: Através de análise comparativa de três variantes de perda (PINN Padrão, Consistente $L^2$ na fronteira/$L^2$ no interior, e Consistente $L^{1/2}$ na fronteira/$L^\gamma$ no interior), os autores demonstram que, embora as normas de fronteira consistentes sejam necessárias, elas são insuficientes para a convecção dominante. A norma de interior é o fator decisivo para a confiabilidade da convergência. A norma de interior $L^\gamma$ garante a estabilidade do treinamento em todas as sementes, enquanto os interiores $L^2$ tornam-se frágeis conforme as camadas se tornam mais agudas.
3. Limite de Erro A Priori $H^1$: Os autores provam um limite de erro a priori único para a aproximação Consistent CutPINN:
   $$\|u - v\|_{H^1(\Omega)} \leq C(\varepsilon^{-1}, \dots) \left[ (L^*_\gamma(v))^{1/2} + (1 + \|v\|_U) R(\tilde{m}, m) \right]$$
   onde a taxa de recuperação $R(\tilde{m}, m)$ inclui um termo de "piso de célula cortada" (cut-cell floor) $1/(2\gamma)$ específico para a geometria curva. Este limite é válido para todo $\gamma \in (1, 2]$ e recupera os resultados elípticos conhecidos no limite.

Resultados Numéricos
Experimentos foram conduzidos em um retângulo (plano) e um disco (curvo) com $\varepsilon = 2^{-s}$ para $s \in \{2, 4, 6\}$.

• Confiabilidade: À medida que $\varepsilon$ diminui (a camada se torna mais aguda), a PINN padrão (interior $L^2$) diverge em 100% das sementes em $\varepsilon = 2^{-6}$ no retângulo. A perda consistente com interior $L^2$ diverge em 10% das sementes. A perda de interior $L^\gamma$ proposta diverge em 0% das sementes.
• Acurácia: Nas sementes onde todos os métodos convergem, a acurácia $H^1$ é comparável entre as três perdas. A principal vantagem da formulação $L^\gamma$ não é uma maior acurácia de pico nas execuções convergidas, mas sim a confiabilidade do treinamento (prevenção de divergência).
• Erro Espacial: Visualizações mostram que as PINNs padrão produzem erros deslocalizados através do volume principal devido ao sobrepeso da camada, enquanto o método $L^\gamma$ confina os erros à camada de contorno, consistente com a análise teórica.

Significância e Alegações
O artigo afirma que a abordagem de perda consistente pode ser aplicada com sucesso a problemas de convecção dominante em domínios curvos, desde que a norma de interior seja ajustada. A significância reside em:

• Formulação PINN Pura: O método alcança estabilidade sem acoplamento a solvers de elementos finitos, uso de malhas adaptativas ou emprego de parâmetros de estabilização específicos do problema (como SUPG). Permite permanecer como um solver de rede neural baseado puramente em colocação.
• Framework Unificado: Oferece uma formulação única que funciona uniformemente tanto para geometrias planas quanto curvas.
• Justificativa Teórica: O trabalho fornece uma explicação teórica rigorosa de por que as PINNs padrão falham neste regime (o sobrepeso $L^2$ da camada) e prova que a modificação $L^\gamma$ proposta restaura as taxas de recuperação ótimas governadas pela regularidade de Besov da solução.

Os autores observam que a análise atual assume um $\varepsilon$ fixo e que a constante de estabilidade escala como $\varepsilon^{-1}$. Alcançar limites uniformes em $\varepsilon$ no sentido de perturbação singular é identificado como uma direção para trabalhos futuros, possivelmente envolvendo análise de difusão de linha de corrente em domínios de corte.