《Computation》：Adjoint-Based Joint Reconstruction of Heat Source and Initial Condition with Uncertainty Quantification
编辑推荐：
本文构建了一种基于伴随方法（adjoint-based）的统一框架，用于根据稀疏且含噪测量数据，联合重建随空间—时间变化的内部热源以及未知初始温度场。一次伴随求解即可同时给出相对于这两个场的梯度，因此每次迭代仅需进行一次正问题求解和一次伴随问题求解。在确定性框
本文构建了一种基于伴随方法（adjoint-based）的统一框架，用于根据稀疏且含噪测量数据，联合重建随空间—时间变化的内部热源以及未知初始温度场。一次伴随求解即可同时给出相对于这两个场的梯度，因此每次迭代仅需进行一次正问题求解和一次伴随问题求解。在确定性框架下，采用共轭梯度最小二乘（CGLS）并结合偏差原则（discrepancy principle）停止准则，与 Landweber–Fridman 方法相比，可在迭代次数约减少一个数量级的情况下获得可比的正则化解。在贝叶斯（Bayesian）表述中，高斯噪声与 Matérn 先验（Matérn priors）导出精确的高斯后验（Gaussian posterior）；先验预条件共轭梯度（prior-preconditioned conjugate gradients）用于计算最大后验（maximum a posteriori, MAP）估计，而对先验预条件数据失配 Hessian（prior-preconditioned data-misfit Hessian）的低秩近似则可提供逐点可信带（pointwise credible bands）。精确离散伴随（exact discrete adjoint）可给出机器精度（machine-precision）的梯度，而先验预测实验（prior-predictive experiments）验证了逐点覆盖率（pointwise coverage）达到标称水平。数值实验比较了不同重建结果，并评估其对噪声、离散化以及先验超参数（prior hyperparameters）的敏感性。在所报告的测试中，贝叶斯重建具有更高精度且对网格更稳健。经校准的广义偏差诊断（calibrated generalized-discrepancy diagnostic）能够检测因遗漏初始温度偏移所致的模型失配，并且对先验模型之外的不连续源也能较弱地给出识别。这些实验表明，仅通过热方程的正问题与伴随问题求解，即可实现联合重建与可扩展的不确定性量化。
该论文发表于《Computation》，围绕热传导逆问题中“内部热源—初始温度场”同时未知这一典型难题，提出了一套统一的伴随反演与不确定性量化框架。研究背景在于：导热体内部热生成通常无法直接测量，实验上只能在有限时间窗内、少量传感器位置获得温度数据，因此必须通过热方程逆推热源。然而在实际实验中，初始温度场往往并不已知，例如试样尚未达到热平衡，或仅在传感器位置上完成了初态测量。若错误设定初始状态，这一误差会沿抛物型方程传播并污染热源估计，因此热源与初始条件应当联合识别。尽管二者在线性热方程中都是线性进入模型，但该联合反演问题本质上仍然严重病态（ill-posed）：扩散机制会强烈衰减高空间频率成分，而有限温度观测又不足以唯一确定无限维空间中的一般时空源项。基于此，开展既能高效求解、又能量化剩余不确定性的联合反演研究具有明确必要性。
研究人员首先从偏微分方程约束优化（PDE-constrained optimization）角度出发，建立了伴随法主导的联合梯度计算机制，并在此基础上并行发展了确定性与贝叶斯两条重建路径。核心结论是：单次伴随求解即可同时得到关于内部热源和初始温度的失配梯度，其中伴随场在时空域内部对应源项梯度，其在
处的迹对应初始条件梯度。这一结构使联合重建在每次迭代中的计算代价与单独热源重建相当，均只需一次正向热方程求解与一次反向伴随求解。进一步地，研究表明，在确定性框架中，共轭梯度最小二乘（CGLS）相较经典 Landweber–Fridman 迭代具有显著更快的收敛效率；在概率框架中，基于高斯噪声和 Matérn 先验所得到的精确高斯后验，不仅提高了重建精度与网格稳健性，还可通过低秩后验协方差近似给出校准良好的逐点可信区间。论文的重要意义在于，它将联合源项—初值反演、精确离散伴随、低秩高斯后验不确定性量化以及模型失配诊断整合为一个统一且可验证的计算流程，为热传导逆问题提供了兼具可扩展性与统计解释性的系统方案。
在技术方法上，研究人员首先建立一般维数下的热方程正问题与逆问题模型，并在一维情形中详细构造方法，再以二维板问题验证维数可迁移性。数值离散采用空间二阶中心差分与 Crank–Nicolson 时间推进，离散目标函数的梯度由精确离散伴随递推获得。确定性求解部分比较了 Landweber–Fridman、最速下降和 CGLS，并使用统计型偏差原则作为迭代停止准则。贝叶斯部分设定高斯噪声与 Matérn 先验，通过先验预条件共轭梯度求解 MAP，并利用先验预条件数据失配 Hessian 的低秩特征分解构造后验协方差与逐点可信带。数值实验包括一维示例、含模型失配的示例以及二维矩形板示例，观测来自内部传感器在若干离散时刻记录的温度数据。
在研究结果方面，论文按各部分小标题系统展示了方法性能与结论。
“6.1. Setup and Verification”中，研究人员首先验证了数值实现的正确性。离散伴随恒等式在随机探针测试下达到机器精度，矩阵自由（matrix-free）算子与独立组装矩阵结果一致；中心有限差分与伴随梯度也在双精度允许的误差范围内吻合。这说明所构建的精确离散伴随确实给出了离散目标函数的真实梯度，后续确定性与贝叶斯算法建立在可靠的计算基础之上。
“6.2. Example 1: Deterministic Versus Bayesian Reconstruction”是全文最核心的对比实验。在该例中，真实热源为可分离高斯脉冲，真实初始条件为抛物型温度分布。研究首先比较确定性重建与贝叶斯重建。
“6.2.1. Deterministic Reconstruction”表明，Landweber–Fridman 与 CGLS 都表现出典型的半收敛（semiconvergence）现象，即误差先降后升，过多迭代会开始拟合噪声。在 1% 噪声水平下，Landweber–Fridman 到达偏差停止准则需 203 次迭代，而 CGLS 仅需 11 次；在 5% 噪声下，分别为 41 次与 6 次。由此可见，CGLS 在保持相近源项误差的同时，将前向—伴随求解次数降低约一个数量级。初始条件在两种确定性方法中都能以约 1% 相对误差恢复，原因在于 时刻包含了对初始状态的直接观测信息。
“6.2.2. Bayesian Reconstruction”显示，引入高斯 Matérn 先验后，源项误差由确定性情形的大约 0.24 降至 0.12，初始条件误差降至 0.002。平滑先验有效抑制了确定性早停解中的振荡伪影，使后验均值更加平滑稳定。同时，贝叶斯框架能够给出逐点 95% 可信带。其空间分布与传感器几何布局高度一致：初始条件的不确定性整体较小；源项在靠近传感器及观测充分区域处可信带较窄，而在空间边界附近则明显增宽。这一结果说明，后验方差主要反映数据可辨识性与先验结构共同作用下的“被约束程度”，而非简单反映源项是否存在。
“6.2.3. Convergence to the MAP Point”进一步比较了贝叶斯情形下的先验预条件一阶迭代与先验预条件共轭梯度。结果表明，尽管前者仍只需每步一次正解与一次伴随解，但收敛显著缓慢；后者在相同前向—伴随计算预算下更快达到 MAP 解。由此证明，伴随结构可直接迁移到统计反演中，但实际求解 MAP 时宜采用 Krylov 子空间方法而非简单固定点迭代。
“6.2.4. Low-Rank Posterior Covariance”研究后验协方差的低秩结构。先验预条件数据失配 Hessian 的特征值快速衰减，并在约第 117 个特征值附近低于 1，说明在总共 1289 个参数方向中，仅约 116 个方向真正被数据有效约束。基于这一谱衰减，秩 120 或 160 的低秩近似已能高精度重建逐点后验方差；相比之下，Hutchinson 对角估计器即便在大量探针下仍效率较低、误差较大。进一步的 300 次先验抽样覆盖实验显示，95% 逐点可信区间平均经验覆盖率为 0.9496，与标称值一致，从而验证了线性—高斯实现及不确定性量化的校准性。
“6.2.5. Coverage Under Prior Misspecification and a Discontinuous Source”考察先验失配。对于违反 Matérn-5/2 平滑假设的不连续块状热源，后验均值能够恢复其位置与大体幅值，但边缘被显著平滑，导致块内部尤其是界面附近出现局部欠覆盖。尽管全场平均 95% 覆盖率仍较高，但在不连续边界附近显著下降，说明全局覆盖率可能掩盖局部失效。与此同时，经校准的偏差诊断量能够识别这种失配，但其敏感性低于对前向模型不一致的检测能力。论文据此指出，若问题中预期存在尖锐界面，则应考虑 Besov 或层次化先验等保边（edge-preserving）模型，不过代价是失去精确高斯后验。
“6.2.6. Effect of the Noise Level”表明，随着噪声从 0.5% 增加到 5%，贝叶斯源项重建误差整体始终低于确定性方法，且在低噪声下优势约为后者的一半误差水平；噪声增大时，这种优势逐渐缩小。对初始条件而言，贝叶斯方法依靠先验与 直接观测保持了极低误差，而无先验的确定性方法改进较有限。
“6.2.7. Effect of Numerical Error”分析离散化影响。研究人员使用细网格生成“诚实数据”，再在不同粗细网格上实施反演，避免逆罪（inverse crime）。结果显示，贝叶斯源项误差在网格加密过程中基本保持平坦，表明先验带来了与网格无关的尺度选择性正则化；相反，确定性方法在网格细化时误差持续恶化，因为新增高频参数模态缺乏足够正则约束，早停迭代会将计算预算浪费在拟合噪声上。这说明贝叶斯重建具有更好的网格稳健性。
“6.2.8. Sensitivity to the Prior Hyperparameters”则对超参数进行单因素灵敏度分析。结果表明，即使将源项方差、时间或空间相关长度、初始条件方差分别减半或加倍，重建误差仍保持稳定，说明结果并非依赖于“针对真值调参”的脆弱设置。其中源项方差最具影响力。边际似然（marginal likelihood）对较优超参数组合给出较高评分，提示经验贝叶斯（empirical Bayes）有望进一步改进重建质量，尽管文中并未实施联合超参数优化。
“6.3. Example 2: Two-Component Source and an Initial Condition Offset”展示了模型失配诊断的实际价值。该例中，真实源项由两个高斯脉冲组成，而真实初始条件相对于名义抛物型分布存在一个未知常数偏移。若将这一偏移与源项联合估计，则偏移量可被准确恢复，且源项误差较低，MAP 点处的归一化偏差也与理论零假设期望一致。反之，若错误地将偏移固定为零，则反演会在早期时间和边界附近“伪造”一片强虚假源项，以补偿遗漏的初始热量，源项误差剧增至 2.81。此时经校准的广义偏差诊断会显著报警，而普通最小二乘拟合本身却可能掩盖这一问题。该结果说明，概率框架不仅能估计不确定性，还能作为无真值条件下的模型错误指示器。
“6.4. Example 3: A Two-Dimensional Plate”将方法推广到二维矩形板。研究人员在二维热方程上重复联合重建，参数维度增至 1326。结果与一维情形一致：确定性 CGLS 对源项可作一定恢复，但对远离传感器的初始条件几乎无法重建；贝叶斯后验均值则在源项与初始条件上均更准确，且后验标准差在传感器附近缩小、在观测稀疏区域增大。先验预条件数据失配 Hessian 仍呈快速谱衰减，仅约 262 个方向被数据有效约束。这证明本文提出的伴随—低秩高斯后验框架并非局限于一维，而能够平移到二维问题。
“6.5. Computational Cost”总结了计算代价。完整贝叶斯流程在一维示例中耗时 2.6 s，在二维板示例中耗时 6.0 s。论文强调，全部步骤均仅依赖热方程的正向与伴随求解，不需显式组装大型算子，这为更大规模实现保留了可扩展潜力。
讨论部分的核心可概括为以下几点。首先，论文证明了联合反演热源与初始条件并不会增加单步迭代的 PDE 求解成本，因为一个伴随场同时携带两类梯度信息。其次，确定性与贝叶斯方法在同一伴随计算骨架下统一实现，但后者因引入先验信息与精确高斯后验，在精度、网格稳健性和不确定性表达方面均优于前者。再次，低秩后验协方差近似之所以有效，是因为扩散与稀疏观测使数据只约束少数主导方向，未被约束方向自然回归先验，这既构成正则化机制，也解释了可信带在弱观测区域的增宽。最后，论文也明确指出当前结论的适用边界：实验规模仍属中等；若扩散系数未知，则问题转为非线性且后验不再高斯；若源项存在尖锐界面，则 Matérn 先验会引入平滑偏差；若先验与噪声超参数也作为未知量共同推断，则需超越当前固定超参数的线性—高斯框架。
论文结论部分可译述如下：本研究的贡献主要体现在四个方面。第一，热方程的一次伴随求解即可同时给出关于内部时空热源和初始温度的失配梯度，即伴随状态在区域内部给出源项梯度，其在 的迹给出初始条件梯度，因此联合重建的单次迭代代价并不高于仅重建源项的问题，而现有联合方法通常仅限于由温度快照恢复空间依赖源项。第二，基于这一联合梯度，研究人员建立了统一框架，使确定性估计——由统计偏差原则停止的 CGLS——与贝叶斯估计——精确高斯后验下由先验预条件共轭梯度求得的 MAP——共享相同的正向与伴随求解机制，并保留 Landweber–Fridman 作为基线。第三，该框架仅依赖正向与伴随求解即可给出可验证的精确有限维高斯后验不确定性量化：低秩恒等式将先验预条件数据失配 Hessian 的快速谱衰减转化为逐点可信带，而精确离散伴随保证了整个流程可检验，且这些可信带在先验抽样真值下达到了标称覆盖率。第四，经过其精确先验预测广义零分布校准后的白化 MAP 偏差，可作为无真值条件下的先验预测模型误差指示器，既能检测最小二乘拟合会悄然吸收到源项中的初始条件失配，也能识别违反先验假设的不连续源项。总体而言，数值实验支持上述贡献，同时也揭示其局限：CGLS 显著快于 Landweber 基线；贝叶斯重建对噪声与网格加密更稳健；先验预测覆盖率总体达到标称水平，但对尖锐界面的不确定性失效会局部集中；偏差诊断对重要模型失配敏感，但对数据弱约束特征较不敏感。研究最后指出，更大规模离散、非线性参数、保边先验以及超参数联合推断，是该框架自然且重要的后续扩展方向。
