Hybrid coupling with numerics-informed neural networks and the overlapping Schwarz alternating method

In der Welt der Strömungsmechanik stehen Wissenschaftler oft vor einem hartnäckigen Problem: Wie lässt sich die Bewegung von Substanzen wie Wärme oder Schadstoffen genau vorhersagen, wenn sie von einer schnellen Strömung mitgerissen werden? Dies ist als Advektions-Diffusions-Gleichung bekannt. Wenn die Strömung langsam ist, breitet sich die Substanz gleichmäßig aus, und Standard-Computermodelle bewältigen dies problemlos. Doch wenn die Strömung sehr schnell ist, bildet die Substanz haarscharfe, extrem dünne Grenzschichten, an denen sich die Konzentration fast augenblicklich ändert. Diese scharfen Merkmale sind für Computer notorisch schwer zu erfassen, ohne Fehler oder wilde, unrealistische Schwingungen in den Daten zu erzeugen. Um dies zu lösen, haben Forscher auf künstliche Intelligenz zurückgegriffen, speziell auf eine Art von neuronalem Netz, das darauf ausgelegt ist, die Gesetze der Physik zu erlernen. Diese KI-Modelle haben jedoch oft Schwierigkeiten, wenn die Strömungen extrem schnell werden, und scheitern daran, die korrekten Muster zu erlernen, selbst mit massiver Rechenleistung. Die Herausforderung bestand darin, einen Weg zu finden, die Geschwindigkeit der KI dort zu nutzen, wo sie gut funktioniert, während gleichzeitig die Zuverlässigkeit traditioneller, rechenintensiver mathematischer Löser beibehalten wird, wenn die Physik zu komplex wird.

Ein Team von Forschern hat eine neue Strategie entwickelt, um diese Lücke zu schließen, indem sie ein Hybridsystem erschaffen, das ein vortrainiertes neuronales Netz mit einem klassischen Computerschluss kombiniert. Sie nennen ihr neuronales Netz ein „numerik-informiertes“ Modell. Im Gegensatz zu anderen KI-Modellen, die versuchen, die kontinuierliche Form einer Lösung von Grund auf neu zu erraten, wird dieses Netzwerk darauf trainiert, die spezifischen Schritte nachzuahmen, die ein Computer unternimmt, um ein Problem in kleine, handhabbare Teile zu zerlegen. Man kann es sich so vorstellen, als würde man der KI beibringen, die gleiche Sprache wie der traditionelle Löser zu sprechen, anstatt sie zu bitten, einen neuen Dialekt zu erfinden. Die Forscher testeten diesen Ansatz an einem zweidimensionalen Strömungsproblem, bei dem die Strömung so schnell war, dass das Verhältnis von Bewegung zu Ausbreitung eins zu einer Million betrug. In diesem extremen Regime zeigten sie zuerst, dass ihr neues KI-Modell in der Lage war, die Lösung für das gesamte Gebiet eigenständig zu erlernen – eine Leistung, an der ein standardmäßiges physikbasiertes KI-Modell völlig gescheitert war.

Die eigentliche Innovation liegt jedoch darin, wie sie die KI mit dem traditionellen Löser verbanden. Anstatt die KI auf das gesamte Problem auf einmal zu trainieren, unterteilten sie das Gebiet in zwei überlappende Abschnitte. In dem Abschnitt, der die schwierigsten, scharfen Grenzen enthielt, verwendeten sie den vertrauenswürdigen, rechenintensiven traditionellen Löser. In dem anderen Abschnitt, in dem die Strömung glatter verlief, setzten sie die vortrainierte KI ein. Diese beiden Abschnitte kommunizieren in einer Schleife miteinander: Die KI sagt die Lösung für ihre Seite voraus und übergibt die Randdaten an den traditionellen Löser, welcher daraufhin seine eigene Seite aktualisiert und die neuen Randdaten zurückgibt. Dieses Hin und Her setzt sich fort, bis beide Seiten perfekt übereinstimmen. Entscheidend ist, dass die KI während dieses Prozesses nicht neu trainiert wird; sie wird lediglich als festes, wiederverwendbares Werkzeug eingesetzt, das bereits gelernt hat, mit der Physik in seinem spezifischen Bereich umzugehen.

Um dies zu ermöglichen, mussten die Forscher der KI beibringen, was sie an der Grenze zu erwarten hat, wo sie auf den traditionellen Löser trifft. Sie probierten zwei verschiedene Wege aus, um diese Trainingsdaten zu generieren. Die erste Methode, die sie als „Top-Down“ bezeichnen, beinhaltete es, zunächst die vollständige, rechenintensive Simulation auf beiden Seiten durchzuführen, um zu sehen, wie die Randdaten aussagen, und dann diese Ergebnisse zu nutzen, um die KI zu trainieren. Die zweite Methode, die „Bottom-Up“-Methode, war kreativer: Sie erzeugten die Randdaten synthetisch mithilfe einer mathematischen Formel, ohne zuvor die vollständige Simulation durchzuführen. Sie wollten sehen, ob die KI in der Lage ist, die Grenzbedingungen zu handhaben, indem sie lediglich vielfältigen, künstlich erzeugten Mustern ausgesetzt wird, anstatt zuerst die Ergebnisse einer vollständigen Simulation sehen zu müssen.

Die Ergebnisse waren beeindruckend. Als sie das Hybridsystem ausführten, war die Lösung, die durch das Zusammenwirken von KI und traditionellem Löser produziert wurde, nahezu identisch mit der Lösung, die entstanden wäre, wenn sie den rechenintensiven Löser für das gesamte Gebiet verwendet hätten. Der Unterschied zwischen den beiden war so gering, dass er kaum messbar war. Vielleicht noch überraschender war, dass der „Bottom-Up“-Ansatz, der synthetische Daten verwendete, genauso gut funktionierte wie der „Top-Down“-Ansatz, der auf vollständigen Simulationen basierte. Dies deutet darauf hin, dass Forscher möglicherweise keine teuren, zeitaufwendigen Simulationen durchführen müssen, nur um Trainingsdaten für ihre KI-Modelle zu generieren; sie könnten statlich einfachere, generierte Muster verwenden.

Trotz der hohen Genauigkeit waren die Forscher sorgfältig darauf bedacht, festzustellen, dass dieses spezifische Setup noch nicht schneller lief als die traditionelle Methode allein. Da das Testproblem relativ klein war und der traditionelle Löser hochoptimiert war, war die Zeit, die die KI für eine Vorhersage benötigte, tatsächlich länger als die Zeit, die der traditionelle Löser für dieselbe Aufgabe brauchte. Die KI erfordert eine gewisse Menge an fester Rechenarbeit, um ihre internen Schichten zu verarbeiten, was langsamer sein kann als eine einfache Berechnung auf einem kleinen Gitter. Die Autoren argumentieren jedoch, dass dies eine Frage der Skalierung ist. Bei viel größeren, komplexeren Problemen, bei denen der traditionelle Löser Schwierigkeiten hätte oder Stunden benötigen würde, könnte die Fähigkeit der KI, in den einfacheren Regionen eine schnelle, genaue Annäherung zu liefern, letztendlich zu erheblichen Zeiteinsparungen führen.

Die Studie kommt zu dem Schluss, dass dieser hybride Rahmen ein gangbarer Weg ist, um datengesteuerte Modelle mit klassischen Physik-Lösern zu mischen. Sie beweist, dass ein neuronales Netz, wenn es darauf trainiert wird, die spezifischen numerischen Schritte eines Computer-Lösers zu respektieren, extreme physikalische Bedingungen bewältigen kann, die andere Arten von KI überfordern. Durch die erfolgreiche Kopplung eines vortrainierten Netzwerks mit einem traditionellen Löser hat das Team einen Weg aufgezeigt, wie künstliche Intelligenz genutzt werden kann, um komplezere Simulationen zu beschleunigen, ohne die Genauigkeit zu opfern, die für kritische Ingenieurs- und wissenschaftliche Anwendungen erforderlich ist. Die Arbeit öffnet die Tür für zukünftige Forschung, in der diese Hybridsysteme auf zeitabhängige Probleme, dreidimensionale Geometrien und komplexere physikalische Wechselwirkungen angewendet werden können, was die Art und Weise, wie Wissenschaftler die Welt um sie herum modellieren, potenziell transformieren wird.