Un procedimiento basado en proyección que construye funciones base empíricas junto con un conjunto de nodos de interpolación (o grados de libertad) elegidos por un algoritmo greedy para aproximar operadores dependientes de parámetros o no lineales de forma eficiente en un contexto de orden reducido.

Principio

Usar snapshots de la acción del operador para seleccionar vectores base y puntos de interpolación de modo que el operador pueda aproximarse por interpolación en la base reducida; la selección greedy minimiza el error máximo de interpolación en el conjunto de entrenamiento y permite evaluación rápida en línea.

Demostración

Combinar POD con EIM (o DEIM) para un modelo reducido de Navier–Stokes: calcular modos POD, usar EIM para elegir nodos de interpolación y base empírica para el término convectivo no lineal, evaluar entonces el término no lineal solo en los nodos seleccionados y reconstruir su representación reducida para simulación rápida en línea.

Aplicación incorrecta

Seleccionar muy pocos nodos de interpolación, usar un conjunto de entrenamiento no representativo o no ortogonalizar las funciones base puede producir aproximaciones operatorias inexactas e inestabilidad en simulaciones reducidas en línea.

Consecuencia

Cuando está bien entrenado, EIM proporciona aceleraciones sustanciales en línea al reducir el coste de evaluar operadores no lineales o dependientes de parámetros, permitiendo análisis en tiempo real o multi-consulta mientras se mantiene una precisión aceptable.

Inversión

Evaluación de orden completo del operador no lineal en cada grado de libertad en cada paso de tiempo; la reversión es precisa pero computacionalmente cara y contradice el propósito de la reducción de modelo.

Límite

EIM depende de una fase de entrenamiento offline y asume que el comportamiento del operador está bien capturado por los snapshots; puede tener dificultades con operadores que cambian de estructura fuera del dominio de entrenamiento o con espacios de parámetros extremadamente de alta dimensión sin estrategias jerárquicas.

Tensión semántica

Compite y complementa a técnicas de colocación, muestreo escaso y otras de hiperreducción: EIM enfatiza la selección greedy de puntos de interpolación vinculada a una base empírica, mientras que alternativas pueden usar muestreo aleatorio o colocación de sensores basada en optimización con distintos compromisos.

Síntesis

EIM es una estrategia greedy guiada por datos que, emparejada con una base reducida como POD, selecciona nodos de interpolación y funciones base para aproximar operadores no lineales eficientemente y posibilitar evaluaciones reducidas en línea rápidas con error controlado.