MATLAB-Based Layerwise Self-Adaptive Physics-Informed Neural Network in Applications to Multidimensional Coupled Burgers' Equations with High Reynolds Numbers

Resumen Técnico: Red Neuronal Informada por la Física Autoadaptativa por Capas Basada en MATLAB para las Ecuaciones de Burgers Acopladas Multidimensionales

Planteamiento del Problema
El artículo aborda los desafíos computacionales asociados con la simulación de los perfiles de solución espacio-temporales de las ecuaciones de Burgers acopladas multidimensionales (MCBEs) con números de Reynolds elevados. A medida que el tiempo evoluciona, estas ecuaciones generan frentes de choque agudos y gradientes de solución pronunciados. Los métodos numéricos convencionales basados en mallas, como las diferencias finitas y los elementos finitos, presentan dificultades ante estas características debido a una estabilidad deficiente, una fuerte dependencia de la malla y las prohibiciones computacionales de la "maldición de la dimensionalidad" cuando se requieren rejillas extremadamente finas. Además, las Redes Neuronales Informadas por la Física (PINNs) estándar suelen fallar al resolver estos problemas de alto número de Reynolds porque los términos convectivos dominantes crean un paisaje de pérdida "rígido". Esta rigidez provoca que los optimizadores se estanquen en mínimos locales, impidiendo que la red capture con precisión los gradientes agudos característicos de la solución.

Metodología
Los autores proponen un marco mejorado denominado LSAAL-PINN (PINN Autoadaptativa por Capas entrenada con Adam y L-BFGS). La metodología se implementa en MATLAB utilizando el Deep Learning Toolbox para la diferenciación automática y está diseñada para resolver CBEs de $d$ dimensiones ($d=1, 2, 3$).

Componentes metodológicos clave:

1. Arquitectura de la Red: Una Red Neuronal Profunda (DNN) aproxima la solución $u(x, t)$. La red utiliza una estructura de alimentación hacia adelante (feedforward) con $k$ capas ocultas, empleando la función de activación tangente hiperbólica ($\tanh$) para asegurar la suavidad requerida para el cálculo de derivadas de orden superior mediante diferenciación automática.
2. Ponderación Autoadaptativa por Capas: A diferencia de las PINNs estándar que utilizan pesos fijos para diferentes componentes de pérdida, este marco emplea una estrategia dinámica. La función de pérdida total $L(\theta, \lambda)$ es una suma ponderada del residuo de la PDE ($L_{PDE}$), el residuo de la condición inicial ($L_{IC}$) y el residuo de la condición de contorno ($L_{BC}$). Los pesos $\lambda = [\lambda_{PDE}, \lambda_{IC}, \lambda_{BC}]$ son parámetros entrenables actualizados mediante ascenso de gradiente para maximizar la pérdida total, asegurando que ningún término de residuo domine el proceso de entrenamiento. Estos pesos se mapean a través de una transformación logarítmica para mantener la positividad estricta y la estabilidad numérica.
3. Optimización de Fase Dual: El proceso de entrenamiento utiliza una estrategia de dos etapas:
   • Fase 1 (Optimización Global): Los parámetros de la red $\theta$ y los pesos adaptativos $\lambda$ se actualizan iterativamente utilizando el optimizador Adam.
   • Fase 2 (Refinamiento): Los pesos adaptativos $\lambda$ se congelan y la optimización transiciona al algoritmo de segundo orden L-BFGS para refinar la solución y acelerar la convergencia hacia una tolerancia prescrita.
4. Muestreo: Para capturar eficazmente los gradientes pronunciados, el marco utiliza el Muestreo de Hipercubo Latino (LHS) para generar puntos de colocación, asegurando que los puntos se distribuyan cerca de las regiones de transición.

Contribuciones Clave y Configuración Experimental
El estudio introduce el marco LSAAL-PINN y valida su efectividad comparándola contra dos variantes de referencia:

• AL-PINN: PINN estándar con optimizadores Adam y L-BFGS pero sin ponderación autoadaptativa.
• A-PINN: PINN estándar entrenada únicamente con el optimizador Adam.

Los autores realizaron experimentos numéricos en ecuaciones de Burgers acopladas 1D, 2D y 3D con números de Reynolds elevados (viscosidad baja $\nu$). La precisión se midió utilizando la norma de error relativo $L_2$.

Resultados

• Ecuación de Burgers 1D: El LSAAL-PINN logró un error relativo $L_2$ de $1.79 \times 10^{-4}$, superando al AL-PINN ($3.10 \times 10^{-4}$) y al A-PINN ($8.65 \times 10^{-3}$). Los resultados demostraron que el LSAAL-PINN se alineó más precisamente con la solución exacta, particularmente en el frente de choque.
• Ecuaciones de Burgers Acopladas 2D (Alto Número de Reynolds): Para $\nu = 0.0001$, el LSAAL-PINN proporcionó resultados aproximadamente 8 veces más precisos que el AL-PINN y 1385 veces más precisos que el A-PINN para el componente de velocidad $v$ en $t=1$. El A-PINN no logró capturar la discontinuidad tipo choque, mientras que el LSAAL-PINN resolvió con éxito los gradientes pronunciados.
• Ecuaciones de Burgers Acopladas 3D: El LSAAL-PINN produjo consistentemente los errores $L_2$ más bajos en varios niveles de tiempo en comparación con las otras variantes. El marco también resolvió con éxito las CBEs 3D con un número de Reynolds de $Re=100$, manteniendo una precisión en la magnitud de $10^{-3}$.
• Comportamiento de Convergencia: Los gráficos de pérdida indicaron que, mientras el A-PINN se estancaba u oscilaba, la optimización de fase dual (Adam seguido de L-BFGS) tanto en AL-PINN como en LSAAL-PINN condujo a una reducción significativa de la pérdida. La adición de la ponderación autoadaptativa en LSAAL-PINN minimizó aún más la pérdida total en comparación con el AL-PINN.

Significancia y Reivindicaciones
El artículo afirma que la integración de una estrategia de ponderación autoadaptativa por capas con un enfoque de optimización de fase dual es suficiente para capturar perfiles de solución de gradientes pronunciados en las MCBEs sin requerir estrategias de ponderación por punto que sean computacionalmente costosas. Los autores sostienen que este marco es más efectivo, preciso y robusto que las PINNs estándar para simular la dinámica espacio-temporal en flujos de alto número de Reynolds.

El estudio destaca que, mientras la literatura existente se ha centrado mayoritariamente en las ecuaciones de Burgers 1D con números de Reynolds moderados (frecuentemente en Python), este trabajo avanza en el campo al resolver con éxito las CBEs 2D y 3D con altos números de Reynolds utilizando una implementación basada en MATLAB. Los autores concluyen que el marco propuesto aborda eficazmente la rigidez del paisaje de pérdida, permitiendo la predicción precisa de frentes de choque agudos que los métodos estándar luchan por resolver. Se sugiere como trabajo futuro extender este marco a otras ecuaciones diferenciales parciales dependientes del tiempo que resulten desafiantes.