Metagraph-Based Domain-Decomposed Galerkin Reduced-Order Model

Resumo Técnico: Modelo de Ordem Reduzida de Galerkin com Decomposição de Domínio Baseado em Metagrafos (MBDD-G-ROM)

Definição do Problema
Modelos de Ordem Reduzida (ROMs) baseados em dados, particularmente os Modelos de Ordem Reduzida de Galerkin (G-ROMs) baseados em Decomposição de Órdenes Próprias (POD), oferecem uma aceleração computacional significativa para estudos paramétricos ao projetar as equações governantes em espaços de aproximação de baixa dimensão. No entanto, à medida que os Modelos de Ordem Total (FOMs) subjacentes escalam para milhões de graus de liberdade (por exemplo, em escoamentos de alto número de Reynolds), a construção e aplicação de ROMs enfrentam gargalos severos de memória e computação.

As abordagens existentes enfrentam limitações específicas:

1. POD Global: A construção de um espaço de baixa dimensão global resulta frequentemente em matrizes de coeficientes reduzidos densas, tornando a paralelização de memória distribuída da fase online (montagem e solução) ineficiente devido ao excesso de comunicação entre processos.
2. G-ROMs com Decomposição de Domínio (DD-G-ROMs): Embora esses métodos construam espaços de aproximação locais para lidar com fenômenos localizados, eles tipicamente assumem que a decomposição usada para construir as bases locais coincide com a decomposição usada para computação paralela. Essa vinculação rígida impede o balanceamento de carga flexível e limita a capacidade de escalar o número de subdomínios locais independentemente do hardware paralelo disponível. Além disso, a maioria dos frameworks DD-G-ROM existentes não paraleliza toda a fase online, particularmente o solver linear para o sistema reduzido.

Metodologia
Os autores propõem o Modelo de Ordem Reduzida de Galerkin com Decomposição de Domínio Baseado em Metagrafos (MBDD-G-ROM), um framework projetado para desacoplar a construção dos espaços de aproximação locais da estratégia de execução paralela. A metodologia baseia-se em uma representação hierárquica baseada em grafos:

1. Definições de Grafos:

   • Grafo de Pontos de Cálculo: Representa as interações entre pontos computacionais (por exemplo, nós de elementos finitos), correspondendo ao padrão de esparsidade da matriz Jacobiana ou matriz de rigidez do FOM.
   • Metagrafo: Representa a conectividade entre "subdomínios de espaço de aproximação local" (subdomínios de computação POD). Neste grafo, metanós correspondem a subdomínios e metaarestas codificam o padrão de esparsidade em blocos induzido pelos sobreposições entre os suportes das funções de base POD locais.

2. Estratégia de Particionamento de Dois Níveis:

   • Nível 1 (Subdomínios de Computação POD): O grafo de pontos de cálculo é particionado para definir subdomínios onde as bases POD locais são construídas de forma independente (POD Local). Isso permite decomposições de domínio arbitrárias e flexíveis, adaptadas à física ou geometria.
   • Nível 2 (Subdomínios de Computação Paralela): O metagrafo resultante é particionado novamente para definir os subdomínios atribuídos aos processos paralelos (ranks MPI). Este segundo nível desacopla o número de subdomínios de POD e sua geometria do número de processos paralelos.

3. Implementação Paralela:

   • O método estende técnicas de decomposição de domínio sobreposta para lidar com as matrizes de blocos densos que representam as interações entre os subdomínios de bases POD locais.
   • Operações paralelas (somas de vetores, produtos internos e produtos matriz-vetor) são implementadas usando a Interface de Passagem de Mensagens (MPI). A comunicação de dados é otimizada pela troca apenas de componentes vetoriais correspondentes a blocos não nulos no sistema reduzido, determinados pela adjacência do metagrafo.
   • Balanceamento de Carga Estático: O framework incorpora pesos de metanós representando custos computacionais estimados (por exemplo, o número de vetores de base ou elementos hiper-reduzidos). Um algoritmo de particionamento de grafos ponderados (METIS) é usado para distribuir esses metanós ponderados entre os processos paralelos para equilibrar a carga.

4. Hiper-Redução: Para aumentar ainda mais a eficiência, o método integra o Método de Cubatura Empírica (ECM) para hiper-redução, aproximando integrais sobre um subconjunto de elementos para reduzir o custo de montagem do sistema reduzido.

Principais Contribuições

• Nova Representação de Grafo: A introdução do conceito de metagrafo fornece uma formulação geral, baseada em teoria de grafos, para DD-G-ROMs que acomoda decomposições de domínio arbitrárias.
• Particionamento Desacoplado: A estratégia de particionamento de dois níveis permite que os subdomínios de construção de POD sejam especificados independentemente dos subdomínios de execução paralela. Isso permite o uso de um grande número de subdomínios locais para precisão sem exigir uma correspondência um-para-um com os processos paralelos.
• Paralelização Completa da Fase Online: O framework alcança a paralelização de memória distribuída de toda a fase online, incluindo a montagem do sistema reduzido e a solução do sistema linear reduzido via solvers iterativos.
• Mecanismo de Balanceamento de Carga: O método fornece um mecanismo natural para o balanceamento de carga estático ao atribuir pesos aos metanós com base em estimativas de custo computacional (ex: contagem de vetores de base ou contagem de elementos de hiper-redução).

Resultados Numéricos
O método foi verificado usando dois casos de teste: uma equação de difusão não estacionária e as equações de Navier-Stokes incompressíveis para o escoamento ao redor de um cilindro 3D.

• Precisão: No caso da equação de difusão, o aumento do número de subdomínios de computação POD (e, portanto, do total de vetores de base) melhorou a precisão da aproximação, confirmando a validade da implementação de POD local.
• Eficiência Paralela: Testes de escalonamento forte demonstraram que o método mantém alta eficiência paralela na fase online. A eficiência do ROM (aceleração relativa ao FEM) permaneceu estável ou aumentou com o número de processos paralelos, particularmente para problemas com um grande número de graus de liberdade do FOM.
• Escalabilidade: O solver linear reduzido exibiu um comportamento favorável de escalonamento forte, embora a escalabilidade tenha degradado em contagens de processos muito altas, quando a dimensão reduzida por processo tornou-se pequena demais para amortizar o overhead de comunicação.
• Balanceamento de Carga: No teste de balanceamento de carga estático, a atribuição de pesos aos metanós baseada no número de elementos hiper-reduzidos ($n^{(i)}_{HROM}$) melhorou a eficiência computacional em até aproximadamente 15% em comparação com o particionamento não ponderado, demonstrando a utilidade da abordagem de grafo ponderado.

Significância e Alegações
O artigo afirma que o MBDD-G-ROM fornece um framework geral para aliviar as restrições de memória em análises DD-G-ROM de grande escala. Ao desacoplar os subdomínios de construção de POD dos subdomínios de execução paralela, o método permite o uso de recursos de computação de alto desempenho de forma mais flexível do que abordagens anteriores. Os autores asseguram que seu framework aborda com sucesso o gargalo das matrizes reduzidas densas em POD global e a rigidez das decomposições acopladas em DD-G-ROMs existentes, alcançando alta eficiência paralela tanto na fase offline (construção da base) quanto na fase online (simulação). O estudo conclui que o método mantém a precisão da solução enquanto permite a análise paralela escalável para problemas complexos e de grande escala.