技术摘要：多物理场多孔介质模拟中的数据驱动线性求解器选择与性能调优

1. 问题陈述

模拟多孔介质中的耦合多物理场过程（例如流体流动、热传递和孔隙力学）需要在每个时间步或牛顿迭代中求解大型、稀疏、非对称线性系统。这些系统通常使用预处理迭代方法（如 GMRES）进行求解。这些求解器的效率和鲁棒性高度依赖于预处理器的选择及其数值参数。

本研究确定的核心挑战包括：

• 组合爆炸： 多物理场问题的预理器通常是通过组合单个物理组件（例如用于力学的代数多网格法 (AMG)，用于流动的约束压力残差法 (CPR)）的子算法构建而成的。这导致了一个庞大的配置空间，其范围从数千到数万种可能的求解器配置不等（在研究案例中达到 $10^4$）。
• 上下文依赖性： 求解器性能对模拟状态（如压力、温度、裂缝接触状态）高度敏感。对于一个时间步或一组物理参数而言是最优的配置，对于另一个可能则是次优的甚至会完全失效。
• 数据稀缺性与相关性： 传统的优化依赖于从先前模拟中收集的大型数据集。然而，随着模拟设置的变化（例如不同的渗透率场或井位），历史数据变得不再具有代表性。为每个新场景收集全面的数据集在计算上是极其昂贵的，因为测试所有配置可能需要耗费数天时间。
• 专业知识差距： 手动调优这些求解器需要大量的专家知识，而这并不总是能够获得。

提出的研究问题是：如何设计一种预处理线性求解器选择算法，既能确保强大的模拟性能，又能最大限度地减少在探索次优求解器上花费的时间，特别是在历史数据不足或不相关的情况下？

2. 方法论

作者提出了一种在模拟运行期间运行的数据驱动、自适应求解器选择算法。该方法利用一个两阶段机器学习 (ML) 流水线，根据当前模拟的反馈不断更新其策略。

2.1 求解器配置空间

算法将求解器的选择视为对配置空间 $\mathcal{A}$ 的优化问题。每个配置 $a \in \mathcal{A}$ 都被编码为一个包含以下内容的向量：

• 类别决策： 算法选择（例如 GMRES 与 直接法，CPR 与 系统-AMG，以及特定的 AMG 变体如 BoomerAMG 或 GAMG）。
• 数值参数： 可调超参数（例如 AMG 强阈值、松弛类型、GMRES 重启值）。
  这些通过二进制和实值向量进行编码，以作为 ML 输入。

2.2 模拟上下文

为了解决求解器性能的上下文依赖性，算法使用了一个模拟上下文向量 $c$。该向量将完整的模拟状态 $\chi$ 压缩为固定数量的特征，例如：

• 时间步长 ($\Delta t$)。
• CFL 数。
• 温度和压力边界。
• 通量量级（焓、扩散）。
• 网格质量指标。
• 渗透率估计（针对非均匀情况）。

2.3 机器学习流水线

选择过程采用由两个 ML 模型组成的顺序流水线：

1. 分类器： 预测给定配置 $a$ 和上下文 $c$ 的成功概率 ($S$)。被预测为失败的配置将被丢弃。
2. 回归器： 估计预期回报 ($R$)，定义为求解时间的负对数 ($-\log T$)。

最终的选择 $a_{pred}$ 是在被预测为成功的配置中使预测回报最大的配置：
$$a_{pred} = \arg\max_{a \in \mathcal{A}} r(a, c) \quad \text{s.t.} \quad s(a, c) = \text{true}$$

2.4 学习策略

算法通过两个阶段运行，以平衡探索与利用：

• 初始探索： 在模拟开始时（或不存在相关历史数据时），算法会随机选择配置，用于固定数量的线性系统（实验中 $num_{initial} = 64$）。这收集了针对当前模拟设置的初始性能数据。
• 增量学习： ML 模型（梯度提升分类器和回归器）按批次进行更新。在初始阶段之后，算法为每个新的线性系统选择最佳的预测配置。如果求解器失败，它会使用新配置进行重试。性能数据（上下文、配置、成功/失败、时间）会被累积并用于定期重新训练模型。

3. 核心贡献

• 自适应选择框架： 本文提出了一个新颖的框架，能够在目标模拟过程中“在线”收集性能数据，而不是依赖于来自不同设置的预收集数据集。这解决了在变化的模拟环境中数据相关性的问题。
• 处理大规模配置空间： 该方法旨在处理约 $10^4$ 个配置的空间，利用分类器在应用回归器进行性能估计之前过滤掉可能失败的配置。
• 上下文感知优化： 通过显式引入模拟上下文特征，算法能够适应变化的物理问题（例如，从扩散性热传递机制向平流性热传递机制的转变）。
• 低开销实现： 作者证明了 ML 推理和重训练的计算成本相对于求解线性系统的时间而言是可以忽略不计的。

4. 数值实验与结果

该算法在两个随时间变化的非线性模型问题上进行了评估：

1. 序列 A： 非均匀多孔介质中的耦合流体流动与热传递（基于 SPE10 基准测试）。配置空间：~14,415 个选项。
2. 序列 B： 带有裂缝和接触力学的热-孔隙力学。配置空间：~32,000 个选项。

主要发现：

• 鲁棒性与效率： 求解器选择算法成功避开了不良配置（即那些无法收敛或耗时过长的配置）。
  • 在序列 A 中，经过初始探索后，成功率达到了 88.88%，而随机选择的成功率为 64.5%。
  • 在序列 B 中，成功率达到了 99.92%，而随机选择的成功率为 91.3%。
• 性能接近最优： 算法选择的配置在求解时间方面始终处于所有可能配置的前 1.9% 至 2.7% 之内。
• 与“专家”基准的比较： 作者将这种自适应方法与一个拥有所有从先前运行中收集到的性能数据的“专家”基准进行了比较（模拟具有完美先验知识的情景）。
  • 自适应算法的表现与专家基准相当。
  • 在序列 B 中，自适应方法有时甚至优于专家基准，因为专家在处理大规模数据集时需要进行重训练，从而引入了略高的开销，而自适应方法使用的是规模更小、更相关的数据集。
• 开销： 机器学习的开销微乎其微（每个线性系统约为 0.02–0.04 秒），而线性求解时间则在秒到分钟量级。

5. 意义与主张

本文声称，所提出的方法有效地解决了多物理场模拟中求解器选择与调优的挑战，尤其是在以下情况下：

1. 配置空间太大，无法进行穷举搜索。
2. 由于模拟设置的变化，历史性能数据不足或不相关。
3. 缺乏用于手动调优的专家知识。

作者强调，该方法为模拟工程师提供了一个实用的解决方案，能够以极少的人工干预实现鲁棒且高效的模拟。结果表明，“在线进行廉价调优”可以获得与拥有完全先验知识的专家几乎相同的性能，而无需承担收集大规模历史数据集的极高成本。该方法对于工业规模的模拟尤为重要，因为在这些场景中，可靠性和自动化至关重要。