Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems

Resumo Técnico: Diagnósticos de Resíduos Sensíveis à Estrutura Sequencial para Problemas Inversos de EDP

Enunciado do Problema
Na ciência e engenharia computacionais, problemas inversos envolvem a inferência de parâmetros de modelos a partir de observações. Uma etapa crítica, frequentemente negligenciada, é avaliar se um modelo ajustado é adequado para predição. A prática padrão baseia-se em diagnósticos de norma de resíduo, como o princípio da discrepância de Morozov ou testes $\chi^2$ de amostra fixa, que verificam se a magnitude dos resíduos é consistente com o nível de ruído assumido.

O artigo argumenta que esses diagnósticos baseados em magnitude são enganosos em problemas inversos de EDPs de suavização (smoothing). Em tais problemas, erros estruturados do modelo (especificação incorreta) podem ser atenuados pelo operador direto no espaço de observação. Consequentemente, a norma do resíduo pode permanecer abaixo dos limiares práticos de discrepância, mesmo enquanto padrões de resíduos coerentes e sistemáticos persistem. Isso leva à aceitação de modelos ajustados que geram parâmetros enviesados e quantidades de interesse (QoIs) materialmente erradas, apesar de parecerem "consistentes" com o ruído.

Metodologia
Os autores propõem um diagnóstico sequencial sensível à estrutura baseado em e-processos da estatística baseada em teoria dos jogos. O método opera como um diagnóstico pós-ajuste para uma estimativa de parâmetro fixa $\hat{\theta}$.

1. Portfólio de Especialistas: O método emprega um "banco" de especialistas, onde cada especialista testa um padrão espacial de resíduo específico. Esses padrões são extraídos de um dicionário de funções de base suaves de baixa frequência (modos de Fourier e polinômios) relevantes para a geometria da EDP.
2. Construção do E-Processo: Cada especialista atua como uma aposta de razão de verossimilhança contra a hipótese nula de que os resíduos sejam puro ruído ($N(0, \sigma^2)$). Os especialistas são combinados em um portfólio universal (uma mistura de razões de verossimilhança).
3. Monitoramento Sequencial: À medida que as observações chegam, a "riqueza" do portfólio (a razão de verossimilhança agregada) é atualizada. O diagnóstico rejeita o modelo ajustado se a riqueza agregada cruzar um limiar prescrito ($1/\alpha$).
4. Controle Válido a Qualquer Momento (Anytime-Valid Control): Aproveitando as propriedades dos e-processos e a desigualdade de Ville, o método garante o controle de erro do tipo I válido a qualquer momento. Isso significa que o analista pode inspecionar o diagnóstico repetidamente, interromper a coleta de dados precocemente ou continuar a coleta de dados com base em evidências preliminares sem inflar a taxa de falsos positivos.
5. Atribuição: Após a rejeição, a distribuição da riqueza entre o portfólio de especialistas atribui a evidência a padrões espaciais de resíduos específicos, oferecendo orientação interpretável para a correção do modelo.

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Formulação: Formula um e-processo de portfólio para detecção de padrões de resíduos que fornece alertas precoces válidos a qualquer momento para um modelo ajustado fixo.
2. Atribuição: Demonstra como os pesos do portfólio fornecem atribuição interpretável a padrões de resíduos espaciais, sugerindo correções subsequentes parcimoniosas.
3. Demonstração Empírica: Mostra, através de três distintos problemas inversos de EDP, que verificações de discrepância padrão podem aceitar modelos mal especificados com resíduos pequenos, porém estruturados, levando a QoIs enviesadas, enquanto o método proposto detecta essas falhas mais cedo e com sensibilidade estrutural.

Resultos Experimentais
O método foi avaliado em três problemas inversos:

• Difusividade de Poisson 1D: Um problema sintético controlado onde os tipos de especificação incorreta (em partes, bump Gaussiano, três degraus, linear) foram variados.
  • Resultado: No caso "linear", o erro do modelo foi sub-ruído ($\|\mu^*\| < \sigma$). O teste de Morozov e os testes $\chi^2$ de amostra fixa falharam em detectar o erro (ou exigiram o conjunto de dados completo), enquanto o e-processo o detectou sequencialmente usando apenas 9% dos dados. Crucialmente, o modelo aceito produziu erros de QoI de até 15,3% (predição pontual) e 7,8% (média regional).
• Fluxo de Stokes 2D (Arrasto Basal): Um problema de inferência de contorno mal posto onde erros de nível base são suavizados para a superfície.
  • Resultado: Um modelo mal especificado ($K=3$ vs. verdadeiro $K=4$) produziu resíduos de superfície consistentes com ruído (RMS/$\sigma \approx 1,35$). Morozov aceitou o ajuste, mas o e-processo detectou a inadequação estrutural após apenas 10% das observações. O arrasto basal inferido foi qualitativamente errado, deslocando a localização do arrasto mínimo, crítica para a estabilidade da linha de recuo (grounding-line).
• Icepack (Corrente de Gelo Glaciológica): Um modelo de elementos finitos da comunidade utilizando a Aproximação de Prateleira Rasa (SSA).
  • Resultado: Semelhante ao Stokes, o e-processo detectou a especificação incorreta estrutural ($K=3$ vs. $K=4$), enquanto Morozov aceitou o ajuste. O modelo aceito resultou em um erro de 36% na predição do fluxo de gelo da terminação.
• Reparo de Modelo: Nos experimentos de Poisson, a distribuição de riqueza identificou com sucesso os modos dominantes de resíduo. Usar esses principais modos para ajustar uma correção de discrepância reduziu os erros de QoI de ~15% para ~3-4%, igualando o desempenho de uma regressão cega sobre a base completa.

Significância e Alegações
O artigo afirma que o e-processo oferece um fluxo de trabalho prático para detectar a estrutura do resíduo durante a aquisição de dados, uma capacidade ausente em testes padrão de lote (batch) ou baseados em magnitude. Sua significância reside em:

• Detecção Precoce: Identifica a especificação incorreta a partir de uma fração das observações, muitas vezes antes que a magnitude do resíduo se torne grande o suficiente para disparar as verificações padrão.
• Interpretabilidade: Ao contrário da rejeição de caixa-preta, a distribuição de riqueza identifica quais padrões espaciais impulsionam a falta de ajuste, guiando a correção exploratória do modelo.
• Robustez: O método é computacionalmente eficiente (etapa de pós-processamento, $O(K)$ por observação) e não requer modificação no solver direto ou retreinamento.
• Validade: Fornece controle rigoroso de erro do tipo I sob interrupção opcional, tornando-o adequado para configurações onde os diagnósticos são inspecionados repetidamente ou a coleta de dados é adaptativa.

Os autores observam limitações: o método assume um $\hat{\theta}$ fixo (validade condicional) e um nível de ruído $\sigma$ conhecido. Embora seja robusto à superestimação do ruído, a subestimação quebra a garantia de validade. O framework é projetado para diagnósticos pós-ajuste em estimativas pontuais, não para o refino totalmente online de parâmetros, o que exigiria salvaguardas adicionais como inferência universal.