Adaptive hybrid coupling with operator inference, the overlapping Schwarz alternating method and reinforcement learning

In der Welt des Ingenieurwesens und der Physik stehen Wissenschaftler oft vor einer schwierigen Wahl, wenn sie simulieren, wie sich Materialien verhalten oder wie Fluide fließen. Sie können ein hochdetailliertes, vollskaliges Computermodell ausführen, das jede winzige Nuance der physischen Welt erfasst, aber diese Berechnungen sind so rechenintensiv, dass sie Tage oder Wochen dauern, was es unmöglich macht, viele verschiedene Szenarien zu testen. Alternativ können sie eine vereinfachte, schnellere Version des Modells verwenden, die in Sekunden läuft, aber dieser Abkürzungsweg lässt oft wichtige Details aus oder bricht zusammen, wenn die Situation kompliziert wird. Jahrzehntelang haben Forscher versucht, dies zu lösen, indem sie ein großes Problem in kleinere Teile zerlegten und dem einfachen, vereinfachten Modell die leichten Teile und dem langsamen, detaillierten Modell die schwierigen Teile zuwiesen. Eine große Einschränkung blieb jedoch bestehen: Sobald der Computer entschieden hat, welcher Teil welches Modell erhält, ist diese Entscheidung normalerweise für die gesamte Simulation festgeschrieben. Wenn eine Schockwelle oder ein Riss von einem „einfachen“ Bereich in einen „detaillierten“ Bereich wandert, kann die Simulation scheitern, weil das vereinfachte Modell die plötzliche Komplexität nicht bewältigen kann.

Ein Forschungsteam hat einen neuen Weg entwickelt, der es dem Computer ermöglicht, während der Simulation seine Meinung zu ändern. Indem sie ein Computerprogramm dazu brachten, wie ein kluger Manager zu agieren, erschufen sie ein System, das die Simulation in Echtzeit beobachtet und sofort entscheidet, welche Teile das schwere, detaillierte Modell benötigen und welche Teile mit dem schnellen, vereinfachten Modell auskommen können. Dieser Ansatz nutzt eine Technik namens Reinforcement Learning (bestärkendes Lernen), bei der der Computer durch Versuch und Irrtum lernt, ähnlich wie ein Spieler, der ein Videospiel lernt, um das beste Gleichgewicht zwischen Geschwindigkeit und Genauigkeit zu finden. Die Forscher testeten dieses System an zwei sehr unterschiedlichen Problemen: einem eindimensionalen Fluss eines Fluids mit einer bewegten Front und einer dreidimensionalen Simulation eines Stahlbalkens, der unter Spannung vibriert. Sie fanden heraus, dass der Computer in der Lage war, bewegte Merkmale, wie etwa eine wandernde Welle oder eine Schockfront, erfolgreich zu verfolgen, indem er das hochpräzise Modell automatisch in den Regionen aktivierte, in denen es am dringendsten benötigt wurde. Dies ermöglichte es der Simulation, genau zu bleiben, ohne die massiven Kosten einer überall laufenden detaillierten Modellierung zu verursachen, und das System funktionierte selbst dann, als es mit Situationen getestet wurde, die es noch nie zuvor gesehen hatte.

Der Kern dieser Arbeit liegt in einer Methode namens der überlappenden Schwarz-Alternativmethode, einem Weg, ein großes Problem zu lösen, indem man es in kleinere, überlappende Stücke zerlegt. Stellen Sie sich eine große Karte vor, die von zwei transparenten Blättern bedeckt ist; die Ränder der Blätter überlappen sich, und die Informationen werden zwischen ihnen hin und her gegeben, bis das Bild über die gesamte Karte hinweg konsistent ist. In der Vergangenheit wiesen Forscher jedem Blatt einen bestimmten Typ eines mathematischen Modells zu und behielten diesen bei. Die neue Methode fügt diesem Prozess eine Ebene der Intelligenz hinzu. Die Forscher trainierten einen digitalen Agenten mithilfe einer Art künstlicher Intelligenz, einem Deep Q-Network. Dieser Agent wurde tausenden verschiedenen Simulationsszenarien gezeigt und lernte, Entscheidungen basierend auf einem Belohnungssystem zu treffen. Die Belohnung war hoch, wenn die Simulation genau und schnell war, aber der Agent wurde abgestraft, wenn er seine Meinung unnötig oft änderte, was Zeit verschwendete. Das Ziel war es, den Agenten zu lehren, zu erkennen, wenn ein komplexes Merkmal, wie eine scharfe Welle oder eine bewegte Front, in einen bestimmten Bereich eintritt, und diesen Bereich rechtzeitig auf das detaillierte Modell umzustellen.

Im ersten Test simulierten die Forscher einen eindimensionalen Fluss, bei dem eine scharfe Front durch ein Rohr wanderte. Sie richteten die Simulation mit drei überlappenden Abschnitten ein und gaben dem Agenten die Wahl, entweder das detaillierte oder das vereinfachte Modell in jedem Abschnitt auszuführen. Der Agent lernte, das vereinfachte Modell in den ruhigen Teilen des Rohrs aktiv zu halten, während er das detaillierte Modell auf den Abschnitt mit der bewegten Front umschaltete. Während die Front von links nach rechts wanderte, verschob der Agent das detaillierte Modell nahtlos mit ihr. Die Ergebnisse waren beeindruckend: Das intelligente System erreichte eine Fehlerrate, die fünfmal kleiner war als die beste feste Anordnung von Modellen, und lief gleichzeitig schneller als die Verwendung des detaillierten Modells überall. Interessanterweise testeten die Forscher auch eine Version, bei der der Agent selbst die Größe und Position der überlappenden Abschnitte ändern konnte, nicht nur die Modelle. Sie fanden heraus, dass diese zusätzliche Freiheit die Ergebnisse tatsächlich nicht verbesserte; das System funktionierte besser, wenn es sich einfach darauf konzentrierte, das detaillierte Modell innerhalb eines festen Layouts zu bewegen. Dies deutet darauf hin, dass für diese Art von Problem die Fähigkeit, die Modelle zu wechseln, der entscheidende Faktor ist, und dass das ständige Umgestalten des Gitters unnötige Komplexität hinzufügt.

Der zweite Test verlagerte sich in die reale Welt der Festmechanik unter Verwendung einer dreidimensionalen Simulation eines Stahlbalkens innerhalb eines spezialisierten Softwarecodes namens Norma.jl. Dieses Szenario beinhaltete eine Welle, die durch den Balken wanderte, von den Enden reflektiert wurde und hin und her sprang. Die Forscher gestalteten den Balken mit zwei und dann drei überlappenden Abschnitten und trainierten den Agenten darauf, das detaillierte oder das vereinfachte Modell diesen Abschnitten zuzuweisen, während die Welle sich bewegte. Im Zwei-Abschnitte-Test ordnete der Agent das detaillierte Modell korrekt dem Abschnitt zu, in dem sich die Welle gerade befand, und das vereinfachte Modell dem ruhigen Abschnitt. Als die Welle auf das Ende des Balkens traf und reflektiert wurde, schaltete der Agent das detaillierte Modell sofort auf die andere Seite um, um die zurückkehrende Welle zu verfolgen. Das gleiche Verhalten galt für das Drei-Abschnitte-Setup. Die gelernten Strategien waren so effektiv, dass sie den Fehler im Vergleich zur besten festen Modellanordnung um mehr als das Zehnfache reduzierten und gleichzeitig die gesamte Rechenzeit um mehrere Sekunden verkürzten. Entscheidend war, dass die Forscher diese trainierten Agenten in neuen Szenarien mit anderen Startpositionen und Wellenbreiten testeten, die nicht Teil der Trainingsdaten waren. Die Agenten generalisierten perfekt und bewältigten diese unbekannten Situationen mit derselben Geschicklichkeit, was bewies, dass das System eine allgemeine Regel gelernt hatte und nicht nur spezifische Beispiele auswendig gelernt hatte.

Die Studie hob auch die Bedeutung einer spezifischen Regel im Trainingsprozess hervor: eine Strafe für zu häufiges Wechseln der Modelle. Ohne diese Strafe neigte der Agent dazu, schnell zwischen dem detaillierten und dem vereinfachten Modell hin und her zu springen, was ineffizient ist und die Simulation instabil machen kann. Durch das Hinzufügen einer kleinen Kostenstelle für jeden Wechsel brachten die Forscher den Agenten bei, bewusster vorzugehen und seine Strategie nur dann zu ändern, wenn die Physik der Situation dies wirklich erforderte. Dies führte zu einer viel glatteren und stabileren Simulation, die dennoch eine hohe Genauigkeit beibehielt. Die Forscher merkten an, dass die von ihnen verwendeten vereinfachten Modelle vorab trainiert und fest definiert waren, die Fähigkeit, sie online zu wechseln, jedoch ein bedeutender Schritt nach vorn sei. Sie räumten ein, dass zukünftige Arbeiten darin bestehen könnten, die vereinfachten Modelle während des Betriebs anhand neuer Daten zu aktualisieren, aber für den Moment hat die Fähigkeit, dynamisch das richtige Werkzeug für den richtigen Job zur richtigen Zeit zu wählen, sich als ein leistungsstarker Weg erwiesen, um komplexe Simulationen sowohl schneller als auch zuverlässiger zu machen.

Letztendlich zeigt diese Forschung, dass künstliche Intelligenz dazu verwendet werden kann, den Kompromiss zwischen Geschwindigkeit und Präzision im wissenschaftlichen Rechnen zu verwalten. Indem sie einer Maschine beibringen, zu lernen, wann ein schweres Modell zu verwenden ist und wann man sich auf ein leichtgewichtiges verlassen kann, können Ingenieure komplexe, sich verändernde Ereignisse simulieren, ohne auf die Ergebnisse tagelang warten zu müssen. Das System muss nicht für jedes neue Problem neu trainiert werden; sobald es die allgemeinen Prinzipien lernt, wie man Genauigkeit und Kosten abwägt, kann es dieses Wissen auf neue Situationen anwenden, die es zuvor noch nie erlebt hat. Dies öffnet die Tür für eine schnellere Designoptimierung und ein besseres Verständnis physikalischer Systeme, vom Fließen von Fluiden bis hin zur Vibration von Strukturen, indem hochpräzise Simulationen für Probleme praktikabel gemacht werden, die zuvor zu teuer oder zu langsam zu lösen waren.