Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems

技术摘要：用于偏微分方程反问题（PDE Inverse Problems）的序列结构敏感型残差诊断法

问题陈述
在计算科学与工程领域，反问题涉及从观测数据中推断模型参数。一个关键且常被忽视的步骤是评估拟合模型是否足以进行预测。标准做法依赖于基于残差范数的诊断，例如 Morozov 差异原则或固定样本 $\chi^2$ 检验，这些方法旨在检查残差的大小是否与假设的噪声水平一致。

本文认为，在平滑偏微分方程（PDE）反问题中，基于量级的诊断具有误导性。在这些问题中，结构化的模型误差（模型设定错误）可能会在观测空间中被前向算子衰减。因此，即使存在连贯且系统的残差模式，残差范数仍可能保持在实际的差异阈值之下。这会导致研究者接受那些虽然在数值上看似“符合”噪声特征、但实际上会导致参数偏差并产生错误感兴趣量（QoIs）的拟合模型。

方法论
作者提出了一种基于博弈论统计学中 e-过程（e-processes） 的结构敏感型序列诊断法。该方法作为对固定参数估计值 $\hat{\theta}$ 的后验拟合诊断。

1. 专家组合（Expert Portfolio）： 该方法采用了一个“专家库”，其中每个专家都针对特定的空间残差模式进行测试。这些模式是从与 PDE 几何相关的平滑低频基函数（傅里叶模态和多项式）构成的字典中提取的。
2. e-过程构建： 每个专家都扮演着针对“残差为纯噪声（$N(0, \sigma^2)$）”这一零假设的似然比赌注。这些专家被组合成一个通用组合（即似然比的混合体）。
3. 序列监测： 随着观测数据的到达，组合的“财富”（聚合似然比）会不断更新。如果聚合财富超过预设阈值（$1/\alpha$），则拒绝该拟合模型。
4. 随时有效控制（Anytime-Valid Control）： 利用 e-过程的性质和 Ville 不等式，该方法保证了随时有效的 I 类错误控制。这意味着分析师可以重复检查诊断结果、根据初步证据提前停止数据收集，或继续收集数据，而不会导致假阳性率上升。
5. 归因（Attribution）： 在拒绝模型后，通过专家组合中的财富分布，可以将证据归因于特定的空间残差模式，从而为模型修正提供具有解释性的指导。

核心贡献
本文做出了三个主要贡献：

1. 公式化： 构建了一个用于残差模式检测的组合 e-过程，为固定的拟合模型提供随时有效的早期预警。
2. 函数归因：证明了组合权重能为空间残差模式提供具有解释性的归因，从而指导简约的后续修正。
3. 实证演示： 通过三个不同的 PDE 反问题展示了，标准的差异检查可能会接受带有微小但具有结构性残差的模型（导致参数偏差和错误的 QoIs），而所提方法能检测出这些失效情况，且具有结构敏感性。

实验结果
该方法在三个反问题上进行了评估：

• 1D Poisson 扩散问题： 一个受控的合成问题，其中改变了误设类型（分段、高斯波峰、三步阶梯、线性）。
  • 结果： 在“线性”情况下，模型误差小于噪声（$\|\mu^*\| < \sigma$）。Morozov 检查和固定样本 $\chi^2$ 检验未能检测到误差（或需要全量数据集），而 e-过程仅使用 9% 的数据便实现了序列化检测。至关重要的是，被接受的模型产生的 QoI 误差在点预测上高达 15.3%，在区域平均值上高达 7.8%。
• 2D Stokes 流（底部分阻力）： 一个边界推断的病态问题，其中基础层误差会被平滑至表面。
  • 结果： 一个误设模型（$K=3$ 而非真实的 $K=4$）产生的表面残差与噪声一致（RMS/$\sigma \approx 1.35$）。Morozov 接受了该拟合，但 e-过程在仅 10% 的观测后便检测到了结构性缺陷。推断出的底部分阻力在定性上是错误的，导致了对接地线稳定性至关重要的最小阻力位置的位移。
• Icepack（冰川学冰流）： 一个使用浅层近似（SSA）的社区有限元模型。
  • 结果： 与 Stokes 类似，e-过程检测到了结构性误设（$K=3$ 对比 $K=4$），而 Morozow 接受了拟合。被接受的模型导致预测的末端冰通量出现 36% 的误差。
• 模型修复： 在 Poisson 实验中，财富分布成功识别了主导的残差模态。利用这些主导模态进行差异修正，可将 QoI 误差从约 15% 降低到约 3-4%，达到了盲回归全基函数的性能。

意义与主张
本文声称，e-过程提供了一种在数据采集过程中检测残差结构的实用工作流，而这种能力是标准批处理或基于量级的检验所缺乏的。其意义在于：

• 早期检测： 它能在残差量级变得足以触发标准检查之前，从一小部分观测中识别出误设。
• 可解释性： 不同于黑箱式的拒绝，财富分布能识别哪些空间模式驱动了拟合不足，从而指导探索性模型修正。
• 鲁棒性： 该方法计算效率高（每观测一次为 $O(K)$ 的后处理步骤），且无需修改前向求解器或重新训练。
• 有效性： 它在可选停止的情况下提供了严格的 I 类错误控制，适用于需要反复检查诊断或进行自适应数据收集的场景。

作者指出了一些局限性：该方法假设 $\hat{\theta}$ 是固定的（条件有效性）且噪声水平 $\sigma$ 已知。虽然对噪声高估具有鲁棒性，但噪声低估会破坏有效性保证。该框架旨在作为对点估计值的后验诊断，而非用于完全在线的参数重拟合，后者需要诸如通用推理（universal inference）等额外的保障措施。