Accelerating Bayesian inverse design in computational fluid dynamics using neural operators

ملخص تقني: تسريع التصميم العكسي البايزي في ديناميكا الموائع الحسابية باستخدام المعاملات العصبية

بيان المشكلة
يوفر التصميم العكسي البايزي إطاراً صارماً لاستنتاج الأشكال الهندسية الديناميكية الهوائية من ملاحظات التدفق المتفرقة مع تحديد كمية عدم اليقين. ومع ذلك، فإن تطبيقه على ديناميكا الموائع الحسابية (CFD) عالية الدقة مقيد حالياً بالتكلفة الحسابية الباهظة للمحاكاة الأمامية المتكررة المطلوبة لأخذ عينات ماركوف (MCMC) القائمة على التدرج. وبينما تُقترح النماذج البديلة (surrogate models) غالباً للتخفيف من هذه التكلفة، إلا أن تأثيرها على الهندسة اللاحقة (posterior geometry) وعدم اليقين — لا سيما في التدفقات التي تهيمن عليها الصدمات حيث تكون اللاخطية قوية — لا يزال غير مفهوم بشكل كافٍ. علاوة على ذلك، تفشل طرق التصميم العكسي الحتمية الموجودة غالباً في تقديم رؤى حول عدم الوحدانية (non-uniqueness) أو الحساسية للضجيج.

المنهجية
يقترح المؤلفون إطار عمل يدمج المعاملات العصبية (Neural Operators)، وتحديداً شبكات العمليات العميقة (DeepONets)، مباشرة في حلقة الاستدلال البايزي. تركز الدراسة على التصميم العكسي لفوهة (nozzle) شبه أحادية البعد، حيث الهدف هو إعادة بناء مساحة المقطع العرضي للفوهة $A(x)$ من ملاحظات رقم ماخ $M(x)$ المشوبة بالضجيج.

1. النموذج الأمامي والتمثيل البارامتري:

   • يتم التحكم في المشكلة الأمامية عبر معادلات أويلر القابلة للانضغاط شبه أحادية البعد والمستقرة، والتي يتم حلها عبر حلّال ديناميكا موائع حسابية (CFD) يعتمد على الحجم المحدود.
   • تم تقييم ثلاثة تمثيلات هندسية بارامترية: الخطية المجزأة المنفصلة، والحدوديات السابعة العالمية، وشرائح "بيزيه" التكعيبية (cubic B-splines). وجدت الدراسة أن شرائح "بيزيه" التكعيبية وفرت أكثر سلوك لاحق (posterior) استقراراً وأقل خطأ في إعادة البناء بسبب توازنها بين النعومة والتحكم المحلي. وبناءً على ذلك، تم اعتماد هذا التمثيل لجميع عمليات تدريب البديل اللاحقة.

2. الصياغة البايزية:

   • تتم صياغة المشكلة العكسية احتماليًا لاستنتاج التوزيع اللاحق المشترك لمعلمات الهندسة $\theta$ ومقياس ضجيج الملاحظة $\sigma$.
   • يتم إجراء أخذ العينات باستخدام خوارزمية "No-U-Turn Sampler" (NUTS)، وهي نسخة متكيفة من "Hamiltonian Monte Carlo" (HMC)، والتي تستخدم معلومات التدرج لاستكشاف فضاءات المعلمات عالية الأبعاد بكفاءة.

3. تكامل المعامل العصبي:

   • الاستدلال المتسارع بالبديل: يتم تدريب DeepONet خارج دورة العمل (offline) على بيانات مولدة من الـ CFD لتقريب المعامل الأمامي الذي يربط الهندسة بمجالات رقم ماخ. هذا البديل القابل للاشتقاق يحل محل حلّال الـ CFD داخل دالة الاحتمالية (likelihood function) لعينات NUTS. وتظل الصياغة الاحتمالية، والاعتقادات المسبقة (priors)، وإعدادات أخذ العينات دون تغيير.
   • المعامل العكسي الحتمي: كبديل حتمي، يتم تدريب DeepONet منفصل لتعلم الخريطة العكسية مباشرة من ملاحظات رقم ماخ المتفرقة (المعززة بقناع مستشعر ثنائي) إلى معلمات الهندسة. وهذا يتيح إعادة البناء بضربة واحدة (single-shot) دون الحاجة لأخذ عينات لاحقة.

المساهمات الرئيسية

1. تحليل التمثيل البارامتري: تثبت الدراسة أن التمثيل البارامتري للهندسة يؤثر بشكل حاسم على قابلية التحديد (identifiability) وظروف التوزيع اللاحق. وقد حددت شرائح "بيزيه" التكعيبية كخيار متفوق لهذه الفئة من المشكلات، مما يوفر تقديرات عدم يقين أكثر استقراراً مقارنة بالتمثيلات المنفصلة أو الحدودية.
2. تكامل البديل: يوضح المؤلفون أن بإمكان DeepONet استبدال حلّال CFD عالي الدقة ضمن إطار عمل MCMC القائم على التدرج. ومن الأهمية بمكان أن هذا الاستبدال يحافظ على بنية التوزيع اللاحي، بما في ذلك متوسط الهندسة واتجاهات عدم اليقين، عبر النطاقات التي تتراوح من البيانات المتفرقة إلى البيانات كاملة الملاحظة.
3. البديل الحتمي: ينفذ البحث ويقيم معامل عكسي حتمي مباشر، مسلطاً الضوء على المقايضة بين الكفاءة الحسابية لإعادة البناء بضربة واحدة وبين الاستدلال البايزي الذي يوفر تحديداً دقيقاً لعدم اليقين.

النتائج

• الدقة: عبر جميع كثافات الملاحظات ($N_{obs} = 5$ إلى $100$)، أعاد الاستدلال البايزي المتسارع بالبديل إنتاج متوسط الهندسة اللاحقة واتجاهات عدم اليقين للنموذج المرجعي القائم على CFD بدقة عالية. أظهرت المقاييس الكمية (RMSE) أن أخطاء DeepONet كانت قابلة للمقارنة مع، وفي بعض الحالات المتفرقة أقل من، أخطاء الـ CFD. انحصرت التباينات بشكل أساسي في المناطق ذات اللاخطية القوية بالقرب من مواقع الصدمات.
• الكفاءة الحسابية: أدى دمج المعامل العصبي إلى تقليل هائل في التكلفة الحسابية. انخفض إجمالي وقت الاستدلال من حوالي 42 دقيقة (القائم على CFD) إلى أقل من ثانية واحدة (القائم على DeepONet) على منصة تعتمد على المعالج (CPU) فقط. وهذا يمثل تسريعاً يزيد عن ثلاثة أوامر مقدارية ($O(10^3)$).
• الانعكاس المباشر: نجح DeepONet العكسي الحتمي في إعادة بناء الميزات الهندسية عبر مختلف كثافات المستشعرات، بما في ذلك التكوينات غير المرئية، رغم افتقاره إلى تحديد كمية عدم اليقين الصريح المتأصل في النهج البايزي.

الأهمية والادعاءات
يزعم البحث أن الاستدلال البايزي المتسارع بالمعاملات العصبية يتيح سير عمل تصميم عكسي عملي وواعٍ بعدم اليقين للتطبيقات الديناميكية الهوائية التي كانت غير ممكنة حسابياً في السابق. ومن خلال دمج المعاملات العصبية القابلة للاشتقاق مباشرة في حلقة MCMC، يجسّر هذا المنهج الفجوة بين محاكاة الفيزياء عالية الدقة ومنهجيات التصميم الاحتمالية الحديثة. ويضع المؤلفون هذا النهج كحل قابل للتوسع للمشكلات المقيدة بالمعادلات التفاضلية الجزئية (PDE-constrained)، خاصة تلك التي تنطوي على لاخطية قوية مثل موجات الصدمة.

تقر الدراسة بالقيود، مشيرة إلى أن البدائل يتم تدريبها على توزيع محدد من الأشكال الهندسية، وأن العمل الحالي يقتصر على التدفقات المستقرة وشبه أحادية البعد. وقد اقتُرحت توسعات مستقبلية لتشمل التدفقات متعددة الأبعاد، وغير المستقرة، ومتعددة الدقة، لكن المساهمة الحالية تقتصر حصراً على إثبات جدوى وفعالية الإطار المقترح في بيئة مضبوطة أحادية البعد.