在线指示子评估提速2.1倍！高斯过程代理让GMsFEM自适应不再反复算
Gaussian-process surrogate indicators for residual-based adaptive GMsFEM
📖 AI 总结
本文针对高对比度椭圆问题中基于残差的自适应广义多尺度有限元方法（GMsFEM）提出了一种非侵入式高斯过程代理指标。该方法的核心动机在于：传统方法需在每个粗邻域上反复计算局部加权H⁻¹指标，在重复查询场景下计算成本高昂。作者构建了用于Dörfler标记的指标得分的GP代理模型，其操作预测器为GP后验均值，在给定约定下与核岭回归估计器代数等价，且仅使用压缩的局部解与谱特征，不改变多尺度求解、局部谱构造或基函数富集过程。理论方面，作者通过非均匀扰动标记结果量化了逐点得分误差对代理所选邻域所捕获精确指标质量的影响，并借助条件有界差异KRR路径给出了此类得分界的充分假设。在受控的分布内留出测试中，代理引导方法在误差-自由度趋势上与经典H⁻¹残差离线自适应方法相当，同时在线指标评估速度提升2.0至2.1倍（不含离线数据生成与GP训练开销）。该工作为降低自适应多尺度模拟中反复指标评估的计算瓶颈提供了一条可行途径。
🔑 关键词速览
| GMsFEM | 广义多尺度有限元方法，一种用于求解高对比度多尺度问题的数值方法。 |
| H^{-1}指示子 | 基于H^{-1}范数的局部误差指示子，用于评估粗邻域上的残差大小。 |
| Dörfler标记 | 一种自适应网格细化策略，选择指示子值最大的单元或邻域进行加密。 |
| 高斯过程代理模型 | 用高斯过程回归近似复杂计算模型输出的统计代理模型，可提供预测均值与不确定性。 |
| 核岭回归 | 一种带L2正则化的核方法回归，在高斯过程后验均值下与特定核岭回归等价。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅