Self-explainable Operator Learning for Discovering Spatial Patterns in Functional Data

Resumo Técnico: Aprendizado de Operadores Autoexplicável para a Descoberta de Padrões Espaciais em Dados Funcionais

Definição do Problema
O aprendizado de operadores emergiu como uma ferramenta poderosa para modelar sistemas físicos complexos regidos por equações diferenciais parciais (PDEs) dentro de espaços funcionais. No entanto, as arquiteturas de estado da arte de aprendizado de operadores, como o Fourier Neural Operator (FNO) e o Deep Operator Networks (DeepONet), funcionam como aproximadores universais de "caixa-preta" opacos. Seus processos de treinamento complexos e não convexos e suas massivas contagens de parâmetros obscurecem o raciocínio por trás de suas previsões, dificultando a confiança científica e a descoberta das leis físicas subjacentes. Embora existam métodos de explicabilidade post-hoc (ex: SHAP, LIME, Grad-CAM), eles sofrem de limitações: são frequentemente ferramentas externas agnósticas ao modelo que podem produzir explicações conflitantes, carecem de intervalos de confiança inerentes e falham em fornecer interpretabilidade simultânea tanto nos níveis de entrada quanto de saída. Há uma necessidade crítica de um framework "por design" que seja inerentemente interpretável, matematicamente transparente e capaz de vincular características espaciais específicas em funções de entrada a padrões correspondentes em funções de saída sem depender de ferramentas de atribuição externas.

Metodologia
Os autores propõem um framework de aprendizado de operador autoexplicável baseado em Modelos Lineares Funcionais Generalizados (gFLM). A metodologia diverge dos operadores neurais padrão ao reformular o problema de aprendizado como uma combinação linear de equações integrais com kernels aprendíveis, em vez de uma rede neural profunda.

1. Formulação do Modelo:

   • O mapeamento entre funções de entrada $f(\xi)$ e funções de saída (ou escalares) $u(x)$ é expresso como uma soma de equações integrais:
     $$u(x) = \sum_{n,m} w_{n,m} \iint \psi_n(x-\zeta, y-\eta) T_m f(\zeta, \eta) \, d\zeta d\eta$$
   • Aqui, $\psi_n$ representa uma biblioteca de funções de kernel analíticas predefinidas, $T_m$ denota transformações de levantamento (lifting) (ex: polinomial, exponencial) para capturar não-linearidades em um espaço de características linear, e $w_{n,m}$ são coeficientes aprendidos via regressão linear regularizada.
   • Diferente de trabalhos anteriores que utilizaram regularização L1 para esparsidade, este framework emprega regularização L2 para garantir a estabilidade do treinamento e reter todos os termos candidatos, o que é essencial para a análise de decomposição subsequente.

2. Estratégia de Decomposição Autoexplicável:

   • A inovação central é uma estratégia de decomposição post-training que explora a natureza aditiva do operador integral.
   • O domínio de entrada é particionado em $k$ subdomínios (especificamente $k=4$ zonas iguais).
   • O modelo computa integrais localizadas para cada subdomínio de forma independente. Devido à linearidade do operador, o total da saída é exatamente a soma dessas contribuições localizadas.
   • Para isolar a influência de regiões específicas, um procedimento de centramento de média (mean-centering) é aplicado: o valor esperado da previsão para cada zona (ao longo do dataset) é subtraído da previsão local. Isso gera "contribuições zonais" ($\Phi_i$) que revelam como desvios em regiões específicas de entrada impulsionam desvios na saída.

3. Validação e Baselines:

   • O framework é testado em dois conjuntos de dados baseados em física: fluxo sanguíneo pulsátil em um aneurisma cerebral (prevendo a Tensão de Cisalhamento da Parede - WSS) e aerodinâmica não estacionária de um aerofólio de pitch variável (prevendo coeficientes de arrasto e sustentação).
   • O desempenho é comparado contra um Fourier Neural Operator (FNO) para precisão e contra três métodos post-hoc (Kernel SHAP, Occlusion Sensitivity, Grad-CAM) aplicados a um U-Net para consistência de explicabilidade.

Principais Contribuições

• Explicabilidade Intrínseca: O framework fornece um substituto analítico de forma fechada onde a explicabilidade está incorporada diretamente na estrutura do modelo. Não requer ferramentas externas ou processamento post-hoc para interpretar a lógica do modelo.
• Interpretabilidade de Duplo Nível: Ao contrário da maioria dos métodos de XAI que apenas destacam regiões de entrada importantes, esta abordagem revela os padrões espaciais na saída gerados por regiões de entrada específicas. Ela vincula explicitamente subdomínios de entrada à formação de características de saída.
• Transparência Matemática: Ao utilizar uma superposição linear de operadores integrais com uma solução de otimização convexa, o modelo garante que a previsão total possa ser decomposta exatamente em contribuições aditivas e fisicamente localizáveis.
• Métricas Quantitativas: Os autores introduzem um método para quantificar a significância de regiões espaciais usando coeficientes de correlação de Pearson entre contribuições zonais e a previsão total, facilitando o desenvolvimento de métricas padronizadas de XAI.

Resultos

• Trade-off Precisão vs. Interpretabilidade: Como esperado, o baseline FNO atinge uma precisão preditiva significativamente maior (menor Erro Médio Absoluto) do que o modelo gFLM, particularmente em cenários complexos de alta frequência. O modelo gFLM exibe erros aproximadamente uma ordem de magnitude superiores ao FNO em alguns casos.
• Fidelidade Qualitativa: Apesar da menor precisão numérica, o modelo gFLM captura com sucesso os padrões espaciais qualitativos dominantes e a evolução temporal dos fenômenos físicos.
• Insights Físicos:
  • No caso do fluxo sanguíneo, o modelo identificou que a Zona 3 (uma região com fortes gradientes de velocidade) é o principal motor para a previsão da tensão máxima de cisalhamento da parede (WSS), enquanto a Zona 1 e a Zona 2 dominam a previsão da WSS espacialmente média e das métricas de divergência, respectivamente. Isso se alinha aos princípios conhecidos da dinâmica de fluidos, onde gradientes de velocidade impulsionam a tensão de cisalhamento.
  • No caso do aerofólio, o modelo identificou com sucesso regiões espaciais distintas que influenciam os coeficientes de arrasto e sustentação em diferentes frequências de pitch.
• Consistência com Métodos Post-hoc: Quando comparado ao Kernel SHAP e à Occlusion Sensitivity aplicados a um U-Net, o framework gFLM mostrou concordância qualitativa ao identificar as regiões mais influentes (ex: ambos os métodos identificaram a Zona 3 como o driver dominante para WSS). Embora o ranking das zonas secundárias tenha diferido ligeiramente devido aos mecanismos distintos dos métodos (perturbação vs. decomposição aditiva), a convergência sobre o driver primário valida a confiabilidade da abordagem proposta.

Significância e Alegações
O artigo afirma que este framework aborda uma lacuna crítica no aprendizado de máquina científico ao fornecer uma abordagem de aprendizado de operador matematicamente transparente e fisicamente interpretável. Sua significância reside em:

1. Promover a Confiança: Ao tornar o processo de decisão do modelo simulável e decomponível, permite que cientistas verifiquem a consistência com princípios físicos, movendo o ML de um mero substituto preditivo para um potencial novo modelo científico.
2. Eliminar Dependências Externas: Remove a necessidade de ferramentas post-hoc não confiáveis e computacionalmente caras, oferecendo um mecanismo de explicação autocontido.
3. Revelar Relacionamentos Ocultos: Permite a descoberta de quais características espaciais específicas em dados funcionais impulsionam as previsões, oferecendo insights sobre a física subjacente (ex: a relação entre gradientes de velocidade e tensão de cisalhamento) sem restrições físicas prévias.

Os autores mantêm uma postura modesta, reconhecendo que, embora o modelo sacrifique parte da precisão preditiva em comparação com operadores neurais de caixa-preta, esse trade-off é necessário e benéfico para aplicações científicas onde entender o "porquê" por trás de uma previsão é tão crítico quanto a própria previsão.