Tensor-Based Reduced-Order Modeling for Optimization-Based Inverse Problems

Resumo Técnico: Modelagem de Ordem Reduzida Baseada em Tensores para Problemas Inversos de Otimização

Enunciado do Problema
Problemas inversos governados por sistemas dinâmicos dependentes de parâmetros (EDPs ou EDOs) exigem avaliações repetidas de um modelo de alta fidelidade para inferir parâmetros desconhecidos a partir de medições indiretas e ruidosas. Quando a dimensão do parâmetro é moderada a alta, ou quando o problema deve ser resolvido repetidamente para diferentes realizações de dados (como em aplicações de gêmeos digitais), o custo computacional das avaliações do modelo de ordem total (FOM) e da análise de sensibilidade torna-se proibitivo. As técnicas clássicas de modelagem de ordem reduzida (ROM) frequentemente focam na aceleração das resoluções diretas, mas têm dificuldade em abordar a natureza multidimensional do mapeamento parâmetro-observação necessário para uma otimização global, particularmente quando os surrogatos locais carecem da robustez necessária para a otimização de múltiplos pontos de partida (multi-start) em paisagens não convexas.

Metodologia
Os autores propõem uma estrutura de Modelagem de Ordem Reduzida Baseada em Tensores (TROM) que aproxima o mapeamento parâmetro-observação diretamente no formato Tensor-Train (TT). Diferente das ROMs tradicionais que reduzem o espaço de estados, esta abordagem comprime a dependência conjunta das observações em relação aos parâmetros.

1. Construção Offline:

   • O domínio dos parâmetros é discretizado em uma grade, e as observações resultantes formam um tensor de alta dimensão $T$.
   • TT-SVD: O tensor completo é montado e comprimido via SVD truncada de suas matricizações. Isso fornece um erro de aproximação controlado, mas requer acesso a todas as entradas do tensor, o que se torna inviável para altas dimensões.
   • TT-Cross: Para evitar a montagem completa do tensor, os autores empregam a interpolação TT-Cross combinada com o enriquecimento AMEn (Alternating Minimal Energy). Este método amostra adaptativamente um pequeno subconjunto de entradas do tensor para construir a representação comprimida, tornando-o viável para dimensões de parâmetros mais altas ($D \ge 6$).
   • Pré-processamento: Para espaços de observação grandes, uma redução de dimensão preliminar (via SVD ou codificadores não lineares) é aplicada ao vetor de observação antes da compressão TT para reduzir ainda mais os custos offline.

2. Inversão e Integração Online:
   A TROM é integrada em uma formulação de mínimos quadrados não lineares regularizada ($\min_\alpha \frac{1}{2}\|f(\alpha) - y_{obs}\|^2 + \frac{\lambda}{2}\|\alpha - \alpha_{ref}\|^2$) de quatro maneiras específicas:

   • C1 (Aproximação Direta): O surrogato $\hat{f}$ substitui o FOM na função objetivo.
   • C2 (Gauss-Newton de Coordenadas Reduzidas): Ao ortogonalizar o primeiro núcleo TT, o termo de mínimos quadrados é reformulado em um espaço de coordenadas reduzidas de dimensão $r_2$ (a segunda ordem de posto do tensor TT). Isso permite a montagem de quantidades de Gauss-Newton ($J^T J$ e $J^T \eta$) diretamente a partir da estrutura de baixo posto do tensor, sem formar o Jacobiano completo do espaço de observação.
   • C3 (Otimização Baseada em Tensor): A função objetivo é minimizada diretamente sobre a grade discreta de parâmetros usando a representação TT. Isso pode servir como um solver aproximado autônomo ou, mais efetivamente, como uma inicialização informada por dados para um solver Gauss-Newton subsequente.
   • C4 (Análise de Robustez): O método leva em conta tanto o ruído de medição quanto o erro de aproximação da TROM ao selecionar o parâmetro de regularização via princípio da discrepância.

Experimentos Numéricos
A estrutura é avaliada em dois problemas inversos distintos:

1. Transferência de Calor Inversa: Um problema de EDP parabólica em um meio heterogêneo envolvendo a recuperação de localizações e raios de inclusões de baixa condutividade. As dimensões de parâmetros testadas são $D=3, 6, 9$.
2. Estimativa de Parâmetros de FitzHugh–Nagumo: Um sistema de EDO não linear que modela dinâmicas excitáveis. O cenário objetivo é altamente não convexo com múltiplos mínimos locais, tornando-o sensível à inicialização.

Resultos Principais

• Precisão e Eficiência: Os surrogatos TROM (tanto TT-SVD quanto TT-Cross) reproduzem o comportamento da inversão de ordem total com custos online substancialmente reduzidos. Para o problema de transferência de calor, os tempos de inversão online estão na ordem de milissegundos, representando acelerações de $10^3$ a $10^4$ em comparação com métodos de Gauss-Newton baseados em FOM.
• Escalabilidade: O TT-Cross estende com sucesso a abordagem para $D=9$, um regime onde a montagem completa do tensor para TT-SVD é computacionalmente inviável.
• Robustez:
  • No problema de transferência de calor, o método permanece estável sob ruído de medição e variações de discretização espacial.
  • No problema de FitzHugh–Nagumo, a etapa de otimização baseada em tensor (C3) supera significamente a inicialização aleatória. Ela identifica um poço de atração próximo ao mínimo global, enquanto os métodos GN padrão com partidas aleatórias frequentemente convergem para mínimos locais falsos.
  • Benefícios da Integração Profunda: O uso da formulação de coordenadas reduzidas (C2) e da inicialização baseada em tensor (C3) proporciona um fator de aceleração adicional de 4 a 8 sobre a inversão "simples" de TROM (onde o surrogato é usado apenas para avaliação direta e diferenças finitas são usadas para os Jacobianos).

Significância e Alegações
O artigo afirma que a principal contribuição reside em ir além do uso de TROMs meramente como surrogatos diretos rápidos. Em vez disso, os autores demonstram que a estrutura de baixo posto do tensor pode ser explorada em toda a inversão para:

1. Reformular o problema de otimização em coordenadas reduzidas, desacoplando o custo online da dimensão total de observação.
2. Montar informações de sensibilidade (produtos de Jacobiano) de forma eficiente sem a formação explícita do Jacobiano.
3. Fornecer uma estratégia de inicialização robusta e informada por dados que mitiga a sensibilidade dos solvers não lineares a pontos iniciais ruins em paisagens não convexas.

Os autores concluem que, embora a construção offline do surrogato TROM incorra em um custo computacional significativo (especialmente para altas dimensões), as inversões online resultantes são baratas, estáveis e robustas. Isso torna a abordagem particularmente adequada para aplicações que exigem inversões repetidas, como gêmeos digitais, desde que o custo offline possa ser amortizado. O método equilibra efetivamente o erro de aproximação, o ruído de medição e a regularização para produzir reconstruções estáveis.