🤖 AI

A Neural Operator-Based Approach to Symbolic Discovery of PDEs

Cet article introduit NOMTO, un nouveau cadre qui intègre des opérateurs neuraux pré-entraînés dans des architectures symboliques afin de découvrir des équations de gouvernance compactes pour des systèmes complexes impliquant des opérateurs non locaux, des couplages de champs auxiliaires et des effets de mémoire temporelle, surmontant ainsi les limites des méthodes traditionnelles restreintes aux dérivées locales.

Auteurs originaux : Sergei Garmaev, Olga Fink

Publié 2026-06-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sergei Garmaev, Olga Fink

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de découvrir le carnet de règles secret qui régit le comportement d'un système complexe. En physique, ce « carnet de règles » est généralement une équation mathématique. Pendant longtemps, les scientifiques ont utilisé des méthodes basées sur les données pour trouver ces équations, mais ils se sont heurtés à un mur : leurs outils ne pouvaient comprendre que des règles basées sur des informations locales.

Le « local », c'est comme regarder un seul pixel sur un écran. Vous pouvez voir si ce pixel est rouge ou bleu, et vous pouvez voir si le pixel d'à côté est différent. Mais vous ne pouvez pas voir l'image entière ni comprendre comment un changement dans un coin de l'écran affecte l'autre côté. De nombreux systèmes du monde réel (comme la façon dont la chaleur se propage dans un matériau ou la façon dont une foule se déplace) dépendent d'informations non locales — où ce qui se passe en un point dépend de l'ensemble du système, et non pas seulement de ses voisins immédiats.

Ce document présente un nouvel outil de détective appelé NOMTO (Approximation et Découverte de Modèles Symboliques basés sur les Opérateurs Neuraux). Voici comment il fonctionne, en utilisant des analogies simples :

Le Problème : Le Dictionnaire « Local-Uniquement »

Les méthodes traditionnelles de découverte d'équations sont comme un écrivain essayant d'écrire une histoire en utilisant un dictionnaire qui ne contient que des mots pour le « ici » et le « maintenant ». Ils peuvent écrire des phrases comme « la balle se déplace vers la droite » ou « l'eau devient plus chaude », mais ils ont du mal à écrire des phrases comme « la balle se déplace parce que le vent souffle à trois kilomètres de là » ou « la température de l'eau dépend de ce qui s'est passé il y a une heure ».

Si la physique sous-jacente implique des effets non locaux (comme des forces à longue portée) ou de la mémoire (où le passé affecte le présent), ces anciens outils échouent car ils n'ont pas les « mots » pour le décrire.

La Solution : Les « Boîtes à Outils Intelligentes » de NOMTO

NOMTO résout cela en donnant au détective un ensemble de « Boîtes à Outils Intelligentes » pré-entraînées.

La Phase de Pré-Entraînement : Avant que le détective ne commence l'enquête spécifique, il engage des experts (Opérateurs Neuraux) pour maîtriser des tâches difficiles et spécifiques.
- Un expert apprend à calculer la « diffusion fractionnaire » (une façon complexe dont la chaleur se propage).
- Un autre apprend à résoudre des « équations de Poisson » (comment les champs électriques ou gravitationnels interagissent).
- Un troisième apprend la « mémoire héréditaire » (comment un matériau se souvient de son étirement passé).
- Une fois ces experts entraînés, ils sont gelés. Ils deviennent des outils fixes et fiables que le détective peut utiliser, mais le détective n'a pas besoin de réapprendre leur fonctionnement.
La Phase de Découverte : Maintenant, le détective (NOMTO) construit un « graphe symbolique ». Imaginez cela comme un organigramme ou une recette.
- Le détective possède une bibliothèque d'ingrédients de base (comme l'addition, la multiplication et la dérivation).
- Crucialement, le détective peut également utiliser les Boîtes à Outils Intelligentes comme ingrédients.
- Le détective essaie différentes combinaisons : « Peut-être que la réponse est 2 fois l'entrée, plus le résultat de la boîte à outils de la 'Diffusion Fractionnaire' ? » ou « Peut-être que c'est la boîte à outils 'Mémoire' appliquée à la déformation ? »
- Le système utilise les mathématiques pour déterminer quelle combinaison correspond le mieux aux données et quels « ingrédients » sont réellement nécessaires. Il élimine les éléments inutiles, laissant une équation propre et simple.

Les Résultats : Résoudre Trois Cas Difficiles

Les auteurs ont testé NOMTO sur trois types d'énigmes « impossibles » que les anciens outils ne pouvaient pas résoudre :

Diffusion Fractionnaire : Imaginez une goutte d'encre se propageant dans l'eau, mais pas de manière normale — elle se propage selon un motif « flou » et à longue portée. Les anciens outils ne pouvaient pas décrire cela. NOMTO a identifié avec succès que la règle impliquait un opérateur spécifique « non local », trouvant la formule exacte.
Le Système Euler-Poisson : Pensez à une foule où le mouvement de chacun dépend de la densité de l'ensemble de la foule, et non pas seulement de la personne à côté d'eux. Cela nécessite de résoudre une équation de « champ » cachée. NOMTO a découvert que la règle de mouvement incluait un outil de « gradient de Poisson », affirmant ainsi : « La vitesse dépend du champ de densité globale ».
Viscoélasticité Héréditaire : Imaginez un morceau de chewing-gum. La façon dont il reprend sa forme dépend non seulement de la force avec laquelle on le tire maintenant, mais aussi de la façon dont on l'a tiré dans le passé. C'est la « mémoire temporelle ». NOMTO a trouvé la règle qui inclut un outil d'« intégrale de mémoire », identifiant correctement que la contrainte du matériau dépend de tout son historique.

Pourquoi cela importe

Le papier affirme que NOMTO comble le fossé entre l'IA « boîte noire » (qui est excellente pour prédire mais mauvaise pour expliquer) et la découverte symbolique (qui est excellente pour expliquer mais limitée en portée).

En traitant les modèles d'IA complexes et appris comme des blocs de construction fixes et réutilisables (comme des briques LEGO pré-faites) plutôt qu'en essayant de construire toute l'équation à partir de zéro, NOMTO peut découvrir les lois régissantes de systèmes qui étaient auparavant hors de portée. Il ne se contente pas de prédire ce qui va se passer ; il écrit la règle mathématique réelle, même si cette règle implique d'observer l'ensemble du système ou de se souvenir du passé.

En bref : NOMTO est un système capable d'écrire les « lois de la physique » pour des systèmes complexes, à longue portée et dépendants de la mémoire, en utilisant des experts d'IA pré-entraînés comme vocabulaire.

Résumé Technique : Une approche basée sur les opérateurs neuronaux pour la découverte symbolique d'EDP

Énoncé du Problème
Les méthodes existantes pour la découverte de modèles symboliques, telles que l'Equation Learner (EQL) et les approches de régression parcimonieuse (par exemple, PDE-FIND), sont fondamentalement limitées par leur dépendance à des bibliothèques de fonctions analytiques locales. Ces méthodes construisent des équations candidates à partir de quantités ponctuelles, incluant des valeurs de champs, des dérivées locales et des combinaisons algébriques. Bien qu'efficaces pour les Équations aux Dérivées Partielles (EDP) classiques, elles ne parviennent pas à découvrir des lois de régulation impliquant des interactions non locales, des opérateurs intégraux, des équations de champs auxiliaires ou des effets de mémoire temporelle. De nombreux systèmes physiques — tels que ceux régis par la diffusion fractionnaire, les systèmes de champs couplés ou la viscoélasticité héréditaire — dépendent d'opérateurs qui agissent sur des espaces de fonctions entiers plutôt que sur des points locaux, ce qui les rend inaccessibles aux cadres actuels de découverte symbolique.

Méthodologie : NOMTO
Les auteurs proposent NOMTO (Neural Operator-based symbolic Model approximaTion and discOvery), un cadre qui étend l'architecture EQL pour incorporer des opérateurs neuronaux pré-entraînés comme primitives symboliques.

Architecture : NOMTO représente les équations candidates sous forme de graphes de calcul parcimonieux et différentiables. Contrairement à l'EQL standard, où les nœuds n'appliquent que des opérations algébriques ou différentielles locales prédéfinies, NOMTO permet à certains nœuds sélectionnés d'être implémentés comme des substituts d'opérateurs neuronaux pré-entraînés. Ces substituts agissent sur des fonctions discrétisées et renvoient des sorties d'opérateurs discrétisées sur la même grille.
Séparation de l'Apprentissage et de la Découverte : Un principe de conception central est le découplage de l'apprentissage de l'opérateur et de la découverte de l'équation.
1. Pré-entraînement : Les opérateurs neuronaux (spécifiquement les FNO [Fourier Neural Operators], les CNO [Convolutional Neural Operators] et les FNN [Fully Connected Neural Networks]) sont entraînés indépendamment pour approximer des opérateurs physiques spécifiques (par exemple, le Laplacien fractionnaire, la carte de gradient de Poisson, l'intégrale de mémoire héréditaire). Ces substituts sont ensuite gelés.
2. Optimisation Symbolique : Lors de la phase de découverte, les nœuds de substitution restent fixes. Le processus d'optimisation ajuste uniquement les poids scalaires entraînables reliant les nœuds dans le graphe de calcul.
Stratégie d'Optimisation : Le cadre emploie un paradigme allant du grossier au parcimonieux comprenant trois phases :
1. Entraînement Dense : Le graphe complet est entraîné pour s'ajuster à la dynamique cible sans contraintes de parcimonie.
2. Parcimonisation : Une pénalité $\ell_1$ est ajoutée à la fonction de perte, et les poids dont la magnitude est inférieure à un certain seuil sont élagués pour identifier la structure parcimonieuse.
3. Réajustement (Refitting) : Le graphe élagué est ré-entraîné sans la pénalité de parcimonie afin d'affiner les coefficients des chemins actifs.
Extraction d'Expression : Après l'entraînement, les poids négligeables sont supprimés, et le graphe actif restant est traduit en une équation symbolique explicite. L'expression résultante combine des termes algébriques standards avec la notation des substituts d'opérateurs neuronaux pré-entraînés (par exemple, $\hat{G}^a_m$ ).

Résultats Clés
NOMTO a été évalué sur trois systèmes physiques distincts nécessitant des opérateurs non locaux ou dépendants de l'historique :

Diffusion Fractionnaire : Le système implique un opérateur Laplacien fractionnaire, un opérateur spatial non local. NOMTO a réussi à récupérer l'équation de régulation $u_t \approx -\hat{\kappa} \hat{G}^a_{L_s}[u]$ . Le substitut basé sur le FNO a atteint la plus haute précision (MSE relative $9,47 \times 10^{-6}$ ) et a correctement identifié le coefficient $\hat{\kappa} = 1,00$ .
Système Euler-Poisson : Ce système couple des équations de transport locales avec un terme de force non local dérivé d'une équation de Poisson auxiliaire. NOMTO a récupéré à la fois les termes de convection locaux et le couplage de gradient de Poisson non local. Le substitut CNO a obtenu l'erreur la plus faible pour l'équation de quantité de mouvement (MSE relative $3,245 \times 10^{-4}$ ), tandis que toutes les architectures ont correctement identifié la structure symbolique et les coefficients.
Viscoélasticité Héréditaire : Ce cas implique une loi constitutive avec une intégrale de mémoire temporelle. NOMTO a réussi à découvrir la structure $\sigma(t) = E\varepsilon(t) + A\hat{G}^a_H[\varepsilon](t)$ , récupérant le module élastique instantané et l'amplitude de mémoire avec une grande précision pour tous les types de substituts.

Dans tous les cas, NOMTO a surpassé ou égalé les substituts de réseaux neuronaux standards (FNN) en termes de correction structurelle et de récupération de coefficients, démontant que les opérateurs pré-entraînés peuvent servir de proxys symboliques fidèles pour des mécanismes physiques complexes.

Signification et Revendications
L'article affirme que NOMTO représente un passage de la "découverte symbolique de fonctions" à la "découverte symbolique de lois physiques à valeurs d'opérateurs". En intégrant des opérateurs appris comme des nœuds fixes et différentiables au sein d'un graphe symbolique parcimonieux, le cadre :

Élargit la Classe Découvrable : Il étend la découverte symbolique au-delà des bibliothèques de dérivées locales pour inclure des lois de régulation avec des opérateurs spatiaux non locaux, des mappages de champs auxiliaires et des effets de mémoire temporelle.
Préserve l'Interprétabilité : Malgré l'utilisation de réseaux neuronaux, le résultat final reste une équation symbolique interprétable où le rôle des mécanismes non locaux est explicite.
Permet la Modularité : La séparation de l'apprentissage de l'opérateur et de la découverte de l'équation permet de réutiliser les bibliothèques d'opérateurs pour différentes tâches de découverte et facilite l'incorporation de connaissances physiques préalables par la sélection d'opérateurs candidats.

Les auteurs reconnaissent des limites, notant que la fidélité du modèle récupéré dépend de la précision des opérateurs de substitution et que la construction de la bibliothèque d'opérateurs nécessite encore un certain degré de connaissance préalable concernant les mécanismes physiques plausibles. Cependant, ce travail établit une voie pour intégrer les avancées de l'apprentissage d'opérateurs avec l'apprentissage automatique scientifique interprétable.

Le Problème : Le Dictionnaire « Local-Uniquement »

La Solution : Les « Boîtes à Outils Intelligentes » de NOMTO

Les Résultats : Résoudre Trois Cas Difficiles

Pourquoi cela importe

Articles similaires