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

技术摘要：基于张量的降阶建模用于基于优化的反问题

问题陈述
受参数依赖动力系统（偏微分方程 PDE 或常微分方程 ODE）支配的反问题，需要对高保真前向模型进行重复评估，以从间接且含有噪声的测量值中推断未知参数。当参数维度达到中高水平，或者当问题需要针对不同的数据实现进行重复求解（如数字孪生应用）时，全阶模型（FOM）的评估及其灵敏度分析的计算成本将变得难以承受。传统的降阶建模（ROM）技术通常侧重于加速前向求解，但在处理全局优化所需的、具有多维特征的“参数-观测”映射方面表现不佳，尤其是当局部代理模型在非凸景观下的多起点优化中缺乏鲁棒性时。

方法论
作者提出了一种张量降阶建模（TROM）框架，该框架直接以张量列阵（Tensor-Train, TT）格式近似“参数-观测”映射。与传统通过缩减状态空间来实现的 ROM 不同，该方法压缩了观测值对参数的联合依赖关系。

1. 离线构建：

   • 参数域被离散化为一个网格，生成的观测值构成一个高维张量 $T$。
   • TT-SVD： 通过对矩阵化后的张量进行截断奇异值分解（SVD）来组装并压缩完整张量。这提供了一种受控的近似误差，但需要访问所有的张量元素，这在高维情况下是不可行的。
   • TT-Cross： 为了避免完整张量的组装，作者采用了结合 AMEn（交替最小能量）富集技术的 TT-Cross 插值法。该方法通过自适应采样张量元素的一个小子集来构建压缩表示，使得该方法在较高参数维度（$D \ge 6$）下依然可行。
   • 预处理： 对于大规模观测空间，在进行 TT 压缩之前，会先通过 SVD 或非线性编码器进行初步的维度缩减，以进一步降低离线成本。

2. 在线反演与集成：
   将 TROM 集成到正则化非线性最小二乘问题（$\min_\alpha \frac{1}{2}\|f(\alpha) - y_{obs}\|^2 + \frac{\lambda}{2}\|\alpha - \alpha_{ref}\|^2$）中，具体有四种方式：

   • C1（直接近似）： 使用代理模型 $\hat{f}$ 代替目标函数中的 FOM。
   • C2（降阶坐标高斯-牛顿法）： 通过对第一个 TT 核心进行正交化，将最小二乘项重新表述在维度为 $r_2$（第二个 TT 秩）的降阶坐标空间中。这使得可以直接从低秩张量结构中组装高斯-牛顿（GN）量（$J^T J$ 和 $J^T \eta$），而无需形成完整的观测空间雅可比矩阵。
   • C3（基于张量的优化）： 直接在离散参数网格上利用 TT 表示来最小化目标函数。这既可以作为独立的近似求解器，也可以更有效地作为后续 GN 求解的数据驱动初始化策略。
   • C4（鲁棒性分析）： 该方法在通过差异原则选择正则化参数时，同时考虑了测量噪声和 TROM 近似误差。

数值实验
该框架在两个不同的反问题上进行了评估：

1. 反向热传递： 一个涉及异质介质中低导热性夹杂物位置及半径恢复的抛物型 PDE 问题。测试的参数维度为 $D=3, 6, 9$。
2. FitzHugh–Nagumo 参数估计： 一个模拟兴奋性动力学的非线性 ODE 系统。其目标景观具有高度非凸性，存在多个局部极小值，对初始化非常敏感。

关键结果

• 精度与效率： TROM 代理模型（包括 TT-SVD 和 TT-Cross）能够以大幅降低的在线成本重现全阶反演的行为。对于热传递问题，在线反演时间在毫秒量级，与基于 FOM 的高斯-牛顿法相比，加速比达到了 $10^3$ 到 $10^4$ 倍。
• 可扩展性： TT-Cross 成功地将该方法扩展到了 $D=9$ 的维度，在这一维度下，使用 TT-SVD 进行完整张量组装在计算上是不可行的。
• 鲁棒性：
  • 在热传递问题中，该方法在测量噪声和变化的离散化空间下保持稳定。
  • 在 FitzHugh–Nagumo 问题中，基于张量的优化步骤（C3）显著优于随机初始化。它能识别出靠近全局最小值的吸引盆，而标准的随机启动 GN 方法经常收敛到错误的局部极小值。
• 深度集成收益： 使用降阶坐标公式（C2）和张量初始化（C3）相比于“普通” TROM 反演（即仅将代理模型用于前向评估并使用有限差分计算雅可比矩阵），提供了 4 到 8 倍的额外加速。

意义与主张
作者声称，其主要贡献在于不再仅仅将 TROM 作为快速的前向代理，而是展示了如何利用低秩张量结构在整个反演过程中实现以下目标：

1. 在降阶坐标中重新表述优化问题，从而使在线成本与全观测维度解耦。
2. 高效地组装灵敏度信息（雅可比矩阵乘积），而无需显式构建雅可比矩阵。
3. 提供一种稳健的数据驱动初始化策略，以缓解非线性求解器对不良起始点的敏感性。

作者得出结论，虽然构建 TROM 代理的离线过程会产生显著的计算成本（尤其是在高维情况下），但由此产生的在线反演过程是廉价、稳定且鲁棒的。这使得该方法特别适用于需要重复反演的应用场景（如数字孪生），前提是离线成本可以得到摊销。该方法有效地平衡了近似误差、测量噪声和正则化，以产生稳定的重建结果。