A scale-covariant pre-solve screening algorithm for scalar finite-difference discretizations on positive nonuniform meshes

技术摘要：一种用于标量有限差分离散化的尺度协变预求解筛选算法

问题陈述
在参考解可用之前，为正定义域（$0 < x_0 < \dots < x_N$）上的标量问题选择非均匀有限差分离散（网格与算子模板）是一项挑战。现有的决策规则通常依赖于局部一致性度量（如步长、Péclet 数）或加法傅里叶分析，这些度量与平移不变性相关联。然而，这些度量无法直接测量组装后的非均匀行如何传递问题所声明的乘性成分（幂律或对数周期振荡）。本研究旨在开发一种决策规则，通过使用组装后的行，在求解前拒绝不安全的离散化方案，从而区分局部一致性与全局稳定性，且不混淆加法几何与乘法几何。

方法论
本文提出了一种尺度协变预求解筛选算法，该算法通过将组装后的行与声明的乘性特征 $x^z$ 进行对比来进行评估。工作流分为确定性审计和风险校准决策分支。

1. 梅尔文审计（确定性组件）：

   • 局部响应： 对于给定的指数 $z$，算法计算第 $j$ 行的局部梅尔文响应：
     $$m_{h,j}(z) = x_j^{-z} \sum_{k \in S_j} a_{jk} x_k^z = \sum_{k \in S_j} a_{jk} \exp\left(z \log \frac{x_k}{x_j}\right)$$
     其中 $a_{jk}$ 是组装权重，$S_j$ 是行支撑集。
   • 缺陷计算： 它将此离散响应与连续算子响应 $m_j(z)$ 进行比较，形成缺陷 $d_j(z) = m_{h,j}(z) - m_j(z)$。
   • 聚合： 审计过程聚合了在声明的工作指数集 $\Pi$ 上的归一化缺陷、逆响应、相位误差及空间粗糙度。这些构成了诊断向量 $\mathbf{M}$。
   • 理论界限： 该方法证明了对于齐次算子，归一化响应是**扩张协变（dilation covariant）**的。它提供了一个界限，说明这种乘性探测器与标准加法傅里叶探测器之间的差异在相对网格宽度的一阶范围内趋于一致，但在大步长下会发生分歧。

2. 证书优先决策规则：
   算法优先考虑严谨的数学证书而非经验启发式方法：

   • 硬证书（Hard Certificate）： 如果离散矩阵是一个 Z-矩阵，且存在一个可验证的构造性正屏障向量 $w_h$（无需求解即可验证）使得 $A_h w_h \ge 1$，则该方法证明该矩阵是一个非奇异 M-矩阵。结合有限梅尔文表示解，这可以产生一个可计算的、严谨的最大范数误差界限。
   • 经验分支： 如果无法验证硬证书，算法则退化为风险校准的拒绝/推迟规则。该分支使用机器学习模型（逻辑回归、梯度提升、随机森林），其特征结合了常规网格指标 ($\mathbf{B}$)、加法审计特征 ($\mathbf{A}$) 以及梅尔文审计特征 ($\mathbf{M}$)。
   • 校准： 拒绝阈值通过在不相交的物理参数组上进行**分裂共形校准（split-conformal calibration）**来确定，在假设分值可交换性的前提下，确保预设的错误拒绝概率（假阳性率）的上界。

核心贡献

• 尺度协变诊断： 引入了基于梅尔文–傅里叶对应关系的预求解审计，专门针对在对数坐标下扩张等同于平移的正定义域非均匀网格。
• 严格的分支分离： 该工作流严格区分了确定性的、经认证的接受（通过 M-矩阵理论）与经验性的、风险校准的拒绝（经验分支被明确标记为“推迟”或“拒绝”，除非存在硬证书）。
• 理论保证：
  • 证明了齐次算子的扩张协变性。
  • 提出了有限网格认证定理（定理 6），利用导数估计来界定连续指数带上的缺陷。
  • 给出了均匀对数张量网格的精确模态误差恒等式（定理 7）。
  • 为非奇异 M-矩阵提供了构造性屏障证书（定理 8）。
• 增量信息分析： 进行了严谨的评估，表明梅尔文特征为逻辑回归和梯度提升模型提供了具有统计显著性的增量信息，特别是在处理具有尺度结构的题目（Euler 系列）时；但在层级主导的问题中，这些特征往往与强加法控制特征冗余。

结果
该方法在 1,764 个一维离散化案例和 140 个张量积案例（涵盖 Euler、反应扩散及对流扩散族）上进行了验证。

• 认证： 在 M-矩阵场景下，硬证书在无需求解的情况下成功接受了 55–60% 的真实安全案例，且无任何不安全案例被误判为安全。
• 经验筛选：
  • 将梅尔文特征添加到梯度提升基准模型中，使不安全拒绝率（真阳性率）从 76.9% 提高到 80.5%，同时保持了 1.6% 的错误拒绝率（假阳性率，校准至 3% 的预算内）。
  • 该性能几乎匹配了后求解的两网格差分估计器（80.7% 不安全拒绝率），但无需精细化解。
  • 梅尔文审计显示出在处理幂律和对数周期成分时的特定结构优势，因为这些成分是完全扩张协变的。
• 外部压力测试：
  • 谱偏移（Spectrum Shift）： 算法正确识别了遗漏声明模态会导致失效的情况；只有在显式声明新模态后，性能才得以恢复。
  • 学习型网格提议者： 当应用于由傅里叶神经算子（FNO）生成的网格时，预求解审计（经过生成器特定的校准后）成功检测到了 FNO 错过的罕见尺度结构失效，起到了高特异性哨兵的作用。

意义与主张
本文谦虚地主张，该方法是针对特定标量类别的尺度敏感、证书优先的筛选器，而非通用的误差估计器。

• 它并不声称能取代层级自适应网格生成或残差估计。
• 它并不声称能发现未声明的模态；工作谱必须预先声明。
• 其主要贡献在于算法工作流，即将确定性的、尺度协变的审计与风险校准的决策过程相结合。
• 该方法在缺乏参考解的情景下特别有价值，它提供了一种在量化风险的前提下，通过利用正定义域上乘性特征的几何特性来认证安全性或推迟至精细化阶段的方法。