PhyRes-MDNF: Physics-Coupled Residual GNN Correction for Multilevel Discrete Neural Field Inversion

Resumo Técnico: PhyRes-MDNF para Problemas Inversos com Restrição de EDP

Enunciado do Problema
A inversão de coeficientes para equações diferenciais parciais (EDPs) elípticas é inerentemente mal condicionada. Observações esparsas fornecem restrições fracas sobre parâmetros de escala fina, e a otimização direta de resolução única exige a recuperação de campos de estado e de coeficientes em todas as escalas simultaneamente. Isso leva a trajetórias de otimização que são lentas, altamente sensíveis à inicialização e propensas a estabelecerem mínimos locais imprecisos antes que as estruturas de grande escala sejam identificadas. Embora as Redes Neurais Informadas pela Física (PINNs) ofereçam uma abordagem por instância sem dados de treinamento offline, elas podem introduzir viés espectral, desequilíbrio de perda e um descompasso entre a diferenciação automática contínua e os operadores discretos usados para a interpretação das medições. Por outro lado, substitutos aprendidos (learned surrogates) exigem extensos conjuntos de dados offline e correm o risco de introduzir erros de aproximação que são interpretados erroneamente como mudanças físicas nos coeficientes desconhecidos.

Metodologia: PhyRes-MDNF
Os autores propõem o PhyRes-MDNF (Physics-Coupled Residual GNN Correction for Multilevel Discrete Neural Field Inversion), um framework que mantém operadores físicos numéricos fixos enquanto utiliza uma estratégia de otimização multinível aprimorada por um mecanismo de transferência aprendido. O framework consiste em dois componentes primários:

1. Backbone de Campo Neural Discreto Multinível (MDNF):

   • Ao contrário dos substitutos de rede de coordenadas, os desconhecidos inversos (estados e coeficientes) são representados diretamente como arrays de grade ou malha treináveis (Campos Neurais Discretos ou DNFs).
   • A otimização procede em uma sequência aninhada de discretizações (do grosso para o fino). Os níveis grosseiros resolvem estruturas observáveis de grande escala antes que os graus de liberdade refinados sejam introduzidos.
   • Na realização de fluxo de Darcy, os campos de estado ($U$) e o campo de permeabilidade compartilhado ($K$) são otimizados conjuntamente em um objetivo de espaço total. Na realização de Tomografia de Impedância Elétrica (EIT) (KTC2023), o problema é tratado como uma tarefa de imagem de diferença de espaço reduzido onde o modelo de eletrodo completo (CEM) linearizado elimina as variáveis de estado, otimizando apenas o contraste de condutividade.

2. Transferência de GNN de Resíduo Acoplada à Física (PhyRes-GNN):

   • Em cada interface de grosso-para-fino, um operador de transferência único, $T_{\ell \to \ell+1}^{\omega}$, mapeia a solução grosseira para uma representação de entrada para o próximo nível.
   • Este operador realiza conjuntamente a prolongação de estêncil fixo (usando pesos de interpolação determinísticos) e a correção de resíduo limitado.
   • A correção é realizada via uma Rede Neural de Grafos (GNN) com uma camada final de inicialização zero. A GNN recebe como entrada os campos prolongados, coordenadas geométricas e um diagnóstico de gradiente de objetivo ($g_{phys}$) derivado do objetivo de transferência de estágio fixo (resíduo da EDP e descompasso de observação).
   • Crucialmente, a GNN não aprende o operador físico; ela aprende uma correção limitada para a inicialização. Ela é ajustada por instância usando apenas as observações atuais e a física numérica, sem pré-treinamento offline, dados de verdade pareados ou campos de referência.

Principais Contribuições

1. Framework Unificado de Física Fixa: Os autores formulam uma solução DNF de nível único onde os campos discretos de estado e coeficiente são variáveis treináveis diretas atualizadas conjuntamente através de um objetivo físico prescrito, eliminando a necessidade de subsoluções alternadas.
2. Operador de Transferência PhyRes-GNN: Um novo mecanismo de transferência que combina a passagem de mensagens de vizinhos grosseiros fixos com uma correção de resíduo limitada e de inicialização zero. Ele é ajustado para cada instância de inversão usando apenas o objetivo de transferência, garantindo que nenhuma verdade de referência seja necessária.
3. Validação em Diferentes Físicas e Discretizações: O framework é validado em dois problemas distintos:
   • Inversão de Permeabilidade de Darcy: Usando campos manufaturados e dados realistas de reservatório do LUNDIsim.
   • Reconstrução de EIT: Usando dados medidos KTC2023 com um modelo CEM linearizado.

Resultados Experimentais
O artigo apresenta três principais achados comparativos:

• Inversão de Darcy (Precisão sob Passos de Grade Fina Iguais): Em uma grade final correspondente de $128^2$, o caminho multinível ($64^2 \to 128^2$) alcançou erros de coeficiente e de estado aproximadamente 6,76$\times$ e 10,4$\times$ menores, respectivamente, do que a otimização direta de nível único, apesar de ambos receberem o mesmo número de atualizações Adam na grade final. Isso demonstra que o caminho multinível encurta a trajetória de otimização efetiva.
• Ablação de Transferência (LUNDIsim): Comparando a interpolação bilinear determinística com a correção PhyRes-GNN na transferência $64^2 \to 128^2$, a correção aprendida reduziu a perda da EDP da grade refinada inicial em 2,62$\times$ e o erro final de permeabilidade em aproximadamente 7%. A GNN forneceu um melhor warm start para a subsequente otimização de grade fina.
• Reconstrução de EIT (KTC2023): O pipeline completo PhyRes-MDNF (coarse DNF $\to$ transfer PhyRes-GNN $\to$ refinamento de malha desbloqueado) alcançou um mIoU Otsu médio de 0,623. Isso superou a reconstrução oficial do CEM linearizado (0,603) e o DNF direto de nível único (0,533). O método também demonstrou robustez através de quatro diferentes phantoms sem ajuste manual de parâmetros de regularização específico para cada phantom.

Significância e Alegações
O artigo alega que o PhyRes-MDNF oferece uma generalização ao nível do framework através de diferentes estruturas de coeficientes, governança física, discretizações e geometrias de observação. A significância reside em:

• Manter a Física Confiável: O método evita os erros de aproximação de substitutos aprendidos e o viés espectral de redes de coordenadas ao manter fixos os operadores numéricos discretos (diferenças finitas, elementos finitos, CEM).
• Sem Pré-treinamento Offline: Ao contrário de operadores neurais ou substitutos aprendidos, o corretor de transferência é ajustado por instância sem conjuntos de dados offline ou campos de referência de verdade.
• Correção da Trajetória de Otimização: A GNN atua especificamente como um corretor de resíduo para a inicialização entre níveis, melhorando o caminho de convergência da subsequente otimização de física fixa, em vez de substituir o solver em si.

Os autores são modestos em suas alegações, observando que os resultados demonstram a eficácia do framework quando reiniciado para diferentes problemas, em vez da generalização de pesos específicos treinados entre instâncias. Eles reconhecem que o PhyRes-GNN atual é um componente do pipeline de inversão, não um modelo de reconstrução autônomo, e que a precisão final ainda depende da subsequente otimização de grade fina.