技术摘要：面向状态约束最优控制问题的在线谱偏置法

1. 问题陈述

本文研究了具有逐点状态约束的参数化 PDE 约束最优控制问题。一个典型的应用场景是大型能源资产（如电力变压器）的热管理，其中分布式热源 $u$ 必须在满足安全边界 $\psi$ 的同时，将温度场 $y$ 引向期望剖面 $y_d$。

核心计算挑战在于多查询场景（设计研究、数字孪生、不确定性量化），其中必须针对变化的参数 $\theta$（例如运行条件、材料属性）重复求解相同的约束优化问题。

活跃集波动障碍

状态约束通常通过原问题活跃集 (Primal Active-Set, PAS) 策略来实施。在每次迭代中，定义域被划分为：

• 活跃集 ($\mathcal{A}$)：状态约束生效的区域（$y = \psi$）。
• 非活跃集 ($\mathcal{I}$)：状态自由的区域（$y < \psi$）。

在消除控制变量和伴随变量后，问题简化为在非活跃集上求解一个舒尔补系统 (Schur-complement system)：
$$M_{\mathcal{I}\mathcal{I}}(\theta) \mathbf{y}_{\mathcal{I}} = \mathbf{b}_{\mathcal{I}}$$
该系统是对称正定 (SPD) 的。然而，随着参数 $\theta$ 的变化，活跃/非活跃划分会发生**非平滑（不连续）**的变化。因此，受限算子 $M_{\mathcal{I}\mathcal{I}}$ 在以下方面发生变化：

1. 维度（非活跃集的大小）。
2. 稀疏模式。
3. 谱特性。

这种波动使得标准的重用策略失效：

• 稀疏直接分解必须为每个实例重新构建。
• 代数多网格 (AMG) 层级结构需要重建。
• 实例间的 Krylov 循环利用 (Krylov recycling) 会失败，因为由于算子结构的突变，前一个受限系统的谱信息无法有效地传递到下一个系统。

2. 方法论：可重用谱偏置

作者提出了一种策略，避免在连续的受限系统之间进行谱信息循环利用。相反，他们将可重用的信息锚定在单个全域参考舒尔补 ($M_{\text{ref}}$) 上。

核心算法 (A-DEF2)

该方法采用 A-DEF2 偏置共轭梯度法 (Deflated Conjugate Gradient, CG)：

1. 参考基底构建：预先计算固定参考算子 $M_{\text{ref}} = \alpha A(\theta_{\text{ref}})^\top A(\theta_{\text{ref}}) + I$ 的 $r_{\text{pool}}$ 个最小特征对 $(\lambda_j, \phi_j)$（离线阶段）。
2. 在线限制：对于具有非活跃集 $\mathcal{I}$ 的新参数实例 $\theta$，将预计算的特征模态限制到 $\mathcal{I}$ 上：$\phi_j|_{\mathcal{I}}$。
3. 正交化：对限制后的向量进行 QR 分解，以形成偏置基底 $Z$。
4. 偏置求解：使用 $Z$ 作为 A-DEF2 算法中的偏置基底。这涉及一个粗层校正步骤，随后是在投影算子 $P^\top M_{\mathcal{I}\mathcal{I}} P$ 上进行预处理 CG，其中 $P$ 是 $M_{\mathcal{I}\mathcal{I}}$-正交投影算子。

基底构建变体

为了应对不同机制并降低成本，论文引入了以下增强方案：

• Rayleigh–Ritz 再选择：一个可选步骤。在限制后，在候选池上求解一个小型稠密特征问题，以选择最佳的 $r_{\text{defl}}$ 个向量。这在脆弱机制下（例如高秩拉普拉斯算子的 2D 情况）能稳定基底，因为简单的限制会导致病态问题。
• POD 富集：利用先前求解实例的本征正交分解 (POD) 快照进行在线富集。这些快照通过 QR 正交化与参考特征模态合并，并受到条件数保障的约束。
• 粗网格增广 (Coarse-Grid Prolongation)：为避免高成本计算细网格特征模态，特征模态在较粗的网格上计算，并通过多线性插值增广到细网格。这使离线特征求解成本降低了 $c^d$ 倍（其中 $c$ 是粗化因子）。
• 解析特征模态：对于具有常系数拉普拉斯参考的张量积网格，特征模态可以通过闭式解获得（正弦向量的 Kronecker 积），从而将离线预计算时间缩短至亚秒级。

条件数保障

该方法包含两个阈值以确保稳定性：

• $\tau_{\text{safe}}$ (构建阶段)：如果粗 Gram 矩阵的条件数超过保守限制（$10^4$），则停止 POD 模态的富集。
• $\tau_{\text{cond}}$ (求解阶段)：如果在求解时粗系统的条件数超过较高限制（$10^{10}$），求解器将退回到标准的 Jacobi 预处理 CG。

3. 理论依据：谱相干性

该方法的有效性依赖于谱相干性 (Spectral Coherence) 现象。尽管受限算子 $M_{\mathcal{I}\mathcal{I}}$ 的维度和谱发生变化，但其低频子空间仍与全域参考算子 $M_{\text{ref}}$ 的低频子空间保持一致。

• 这受到 Cauchy 插值定理（针对主子矩阵）和 Davis–Kahan sin $\Theta$ 定理（针对特征空间扰动）的启发。
• 经验诊断（主角度）表明，虽然子空间之间的最坏情况角度可达 $90^\circ$，但领先偏置模态（例如前 20 个）的角度仍然很小（例如 $< 8.4^\circ$），这确保了偏置基底的有效性。

4. 主要贡献

1. 可重用谱偏置策略：一种用于重复非活跃集求解的方法，其核心是将基底锚定在全域参考算子上，而非在受限实例间进行循环利用。
2. 参考算子视角：提供了一个框架，通过将全域舒尔补的低阶特征模态在线限制到参数依赖的非活跃集。
3. 谱相干性解释：基于主子矩阵结构和子空间扰动的解释，并通过主角度诊断进行了验证。
4. 实用的基底构建：开发了包括粗网格增广、解析模态、POD 富集及 Ritz 稳定化在内的多种变体，并设有明确的条件数保障。

5. 数值结果

该方法在 2D 和 3D 中的 15 种基准配置（扩散、对流扩散、非线性热传导、共轭传热）以及时空扩展问题上进行了评估。

迭代次数减少

• 稳态问题：与冷启动 Jacobi 预处理 CG 相比，偏置法减少了 55–98% 的 CG 迭代次数。
  • 3D 配置在秩 $r=500$ 时显示出 60–92% 的减少。
  • 2D 配置由于高秩下的条件数问题，需要通过 Ritz 再选择或 POD 合并才能实现 86–98% 的减少。
• 时空问题：对于抛物线问题，使用 Kronecker 时间基底实现了 56–85% 的迭代减少，而常数时间基底则无法捕捉时间动力学。

壁钟时间性能 (GPU vs. CPU)

• 硬件：GPU (NVIDIA H200/H100) vs. CPU (Intel Xeon/Azure)。
• 加速比：
  • 3D：在 $50^3$ 网格（125K DOF）下，GPU 偏置 CG 每实例比 CPU 稀疏直接求解器快 591–973 倍。
  • 与 AMG 对比：尽管 AMG 的迭代次数更少，但 GPU 偏置 CG 比 CPU AMG-RS 快 13–18 倍，原因在于 GPU 的单次迭代成本更低，且 AMG 层级必须为每个实例重新构建，而偏置基底是可以重用的。
• 摊销成本：
  • 使用细网格特征求解时，对于小批量任务，离线成本占主导。
  • 使用粗网格增广或解析模态时，离线成本大幅降低。
  • 盈亏平衡点：使用粗网格方法时，在 4–32 个实例内即可实现相对于 CPU 直接求解器的摊销加速。对于张量积网格使用解析模态时，在第一个实例即可实现盈亏平衡。

精度

所有偏置求解均达到了与 CPU 稀疏直接求解器相同的 Krylov 容差（$10^{-10}$），其相对状态误差与冷启动 CG 相当（中位数 $\sim 10^{-10}$）。加速并非通过牺牲精度实现的。

6. 意义与主张

本文声称，该方法提供了一种硬件无关的加速度量（迭代减少）以及在 GPU 部署中的显著壁钟时间收益。

• 互补性：该方法通过加速重复的高保真线性代数运算来提升性能，而不是用代理模型（如 ROM 或 DeepONets）取代最优控制求解过程。它保留了离散约束最优系统。
• 鲁棒性：它对活跃集更新引起的组合变化具有鲁棒性，而在这种场景下，标准的 Krylov 循环利用技术通常会失效。
• 可扩展性：该方法非常适合 GPU 执行，利用稀疏矩阵-向量乘法和小型稠密粗层求解。
• 局限性：谱相干性虽有经验验证，但尚未在所有机制下得到形式化证明。目前该方法受限于使用结构化网格的解析模态，且依赖于显式的舒尔补组装，这限制了测试的网格规模（稳态 $\sim 125,000$ DOF，时空 $\sim 540,000$ DOF）。若要扩展到超过 $10^6$ DOF，则需要矩阵自由 (matrix-free) 的特征求解器。

作者总结道，通过将偏置基底锚定在稳定的参考算子上，可以有效地解决跨多个参数实例的状态约束最优控制问题，从而克服了通常阻碍求解器重用的活跃集变化所带来的波动。