Interface-Aware Sparse Data Placement for Extended Physics-Informed Neural Networks Applied to Computational Fluid Dynamics and Fluid–Structure Interaction

Resumen Técnico: Colocación de Datos Dispersos Consciente de la Interfaz para Redes Neuronales Informadas por la Física Extendidas

Declaración del Problema
La reconstrucción de campos de flujo de fluidos a partir de mediciones dispersas (por ejemplo, PIV, imágenes in vivo) es un desafío persistente en la mecánica de fluidos aplicada. Las Redes Neuronales Informadas por la Física (PINNs) y su variante de descomposición de dominio, las Redes Neuronales Informadas por la Física Extendidas (XPINNs), ofrecen un marco libre de malla para resolver ecuaciones diferenciales parciales (PDE), pero enfrentan limitaciones específicas cuando se aplican a escenarios de datos dispersos. Las PINNs estándar sufren de sesgo espectral y problemas de convergencia en geometrías complejas. Las XPINNs abordan la escalabilidad mediante la descomposición del dominio en subdominios resueltos por redes neuronales independientes, acoplados mediante términos de penalización suave en las interfaces. Sin embargo, los autores identifican un modo de falla crítico: el error de reconstrucción en las XPINNs se concentra desproporcionadamente en las interfaces de los subdominios en lugar de en las características del flujo, como las capas límite o las estelas. Esto ocurre porque el acoplamiento de penalización suave permite que el optimizador satisfaga los residuos de la PDE dentro de los subdominios mientras viola la continuidad en los límites. En consecuencia, el patrón de error refleja la geometría de la descomposición en lugar de la física, creando un "eslabón débil" donde la solución está menos constreñida.

Metodología: El Marco SPHINX
Para abordar esto, los autores proponen SPHINX (Sparse Physics-Hybrid Informed Neural eXtension), una estrategia de colocación de datos que asigna una fracción del presupuesto de mediciones dispersas a las regiones de traslape de los subdominios.

• Descomposición de Dominio: El estudio utiliza una descomposición de tipo Schwarz con traslape (a diferencia de la XPINN original sin traslape), creando regiones donde dos redes neuronales están simultáneamente activas.
• Mecanismo de Doble Anclaje: La hipótesis central es que una medición colocada en una región de traslape $\Gamma_{ij}$ proporciona un "doble anclaje". Debido a que ambas subredes $N_i$ y $N_j$ predicen valores en el mismo punto, una sola medición constriñe simultáneamente a ambas redes para coincidir con el valor de referencia y las obliga a estar de acuerdo entre sí. Esto proporciona consistencia inter-subdominio a través de datos externos en lugar de depender únicamente del término de pérdida de penalización suave.
• Estrategia de Asignación: Dado un presupuesto total de $N$ puntos dispersos, SPHX asigna una fracción $f$ a las regiones de traslape de la interfaz y el resto $(1-f)$ uniformemente por todo el dominio principal.
• Estudio de Sensibilidad: Un barrido sistemático de $f$ de 0.0 a 0.5 a través de cuatro benchmarks identificó que $f=0.1$ (10% de los datos en las interfaces) es el punto de operación óptimo para la reconstrucción de la velocidad $u$.
• Implementación: El método no requiere cambios en la arquitectura de la red, en los pesos de la función de pérdida o en los algoritmos de entrenamiento. Es puramente una estrategia de colocación de datos compatible con los marcos de trabajo de PINN existentes.

Casos de Prueba y Configuración Experimental
El marco fue validado en cuatro problemas de referencia que abarcan números de Reynolds ($Re$) desde 20 hasta 10,000 y geometrías variables:

1. Flujo estacionario alrededor de un cilindro circular ($Re=40$).
2. Flujo estacionario sobre un perfil NACA 0012 ($Re=1,000$, $\alpha=5^\circ$).
3. Flujo estacionario sobre un perfil NACA 0012 ($Re=10,000$, $\alpha=5^\circ$).
4. Benchmark Turek–Hron FSI1 ($Re=20$), que involucra un cilindro con una viga elástica unida en un canal (tratado como un problema de solo fluido con movimiento estructural prescrito).

Los experimentos utilizaron 200 puntos de datos dispersos (0.4% de la malla de referencia) y se repitieron con tres semillas aleatorias independientes para evaluar la varianza estadística.

Resultos Clave

• Reducción del Error: SPHINX redujo el error relativo $L_2$ en la velocidad $u$ entre un 86% y un 95% en todos los cuatro benchmarks en comparación con las XPINNs base sin datos dispersos. Por ejemplo, en el NACA 0012 con $Re=1,000$, el error cayó de 24.40% a 1.132%.
• Colapso de la Varianza: La introducción de datos dispersos conscientes de la interfaz colapsó la varianza de ejecución a ejecución en uno o dos órdenes de magnitud. Las desviaciones estándar cayeron de rangos de 0.22%–74.41% (base) a menos de 0.04% (SPHINX), lo que indica que los datos dispersos regularizan el proceso de optimización y eliminan la sensibilidad a la inicialización aleatoria.
• Sensibilidad Variable: Mientras que $f=0.1$ fue óptimo para la velocidad $u$, la asignación óptima para la velocidad $v$ y la presión varió (siendo a menudo mayor, por ejemplo, $f=0.5$ para la velocidad $v$ en los casos de NACA), reflejando las diferentes restricciones físicas que gobiernan estos campos.
• Comparación con RBF: Al compararse con la interpolación de Funciones de Base Radial (RBF) utilizando los mismos puntos de datos, SPHINX superó a RBF por factores de 2.5 a 8.2 en el error de la velocidad $u$. Esto confirma que las ganancias provienen de la colocación geométrica acoplada con el mecanismo de doble anclaje, y no simplemente de la presencia de datos adicionales.
• Coeficientes Aerodinámicos: A pesar de ser un método de reconstrucción de campo, SPHINX recuperó los coeficientes de arrastre y sustentación con una precisión razonable (por ejemplo, el coeficiente de arrastre con una diferencia absoluta de ~0.11), aunque los errores fueron más pronunciados para la sustentación en los casos de alto $Re$ debido a las limitaciones del sesgo espectral para resolver gradientes de presión de pequeña escala.
• Costo Computacional: La estrategia introdujo solo un 8% de sobrecarga computacional en comparación con el entrenamiento de la XPINN base, ya que solo añade la evaluación del término de pérdida de datos en $N$ puntos por iteración.

Significado y Reivindicaciones
El artículo afirma establecer la colocación de sensores consciente de la interfaz como un principio científicamente fundamentado y agnóstico a la arquitectura para la reconstrucción de flujo con datos dispersos. La contribución primaria es la identificación de que los errores de reconstrucción de las XPINN están vinculados estructuralmente a la geometría de la descomposición (interfaces) en lugar de a la física del flujo. Al concentrar las mediciones donde el acoplamiento de la restricción suave es más débil, SPHINX aprovecha el efecto de "doble anclaje" para imponer consistencia entre las subredes.

Los autores enfatizan que este enfoque transforma la asimilación de datos dispersos de un problema de muestreo uniforme a uno guiado estructuralmente. Los hallazgos sugieren que, para las PINNs con descomposición de dominio, la geometría de la descomposición misma prescribe dónde son más informativas las mediciones. La estrategia se presenta como un refinamiento de bajo costo y alto impacto que mejora significativamente la precisión y la estabilidad sin requerir cambios arquitectónicos complejos o el reponderado de las funciones de pérdida.

Limitaciones
Los autores señalan varias limitaciones:

• La relación de asignación óptima ($f=0.1$) es observada empíricamente, no derivada analíticamente.
• El estudio se limita a regímenes laminares y de transición-laminar; no se abordaron flujos masivamente separados o turbulentos.
• El benchmark FSI trató el movimiento estructural como prescrito; la FSI no estacionaria totalmente acoplada con fronteras móviles sigue siendo un trabajo futuro.
• Los datos dispersos se extrajeron de soluciones CFD de referencia, no de mediciones experimentales con ruido o restricciones geométricas.