Neural network-enhanced $hr$-adaptive finite element algorithm for parabolic equations

Résumé Technique : Algorithme de l'Élément Fini $hr$-Adaptatif Amélioré par Réseaux de Neurones pour les Équations Paraboliques

Énoncé du Problème
L'article traite des défis computationnels inhérents à l'application des méthodes d'éléments finis adaptatifs (AFEM) aux équations paraboliques dépendantes du temps, particulièrement celles présentant des singularités mobiles ou des caractéristiques multi-échelles. Bien que les méthodes $hr$-adaptatives (combinant le raffinement de maillage $h$ et le mouvement des nœuds $r$) offrent des avantages théoriques, leur mise en œuvre pratique pour les problèmes paraboliques souffre de trois goulots d'étranglement principaux :

1. Raffinement Inefficace : Les stratégies d'adaptation $h$ conventionnelles nécessitent souvent un nombre excessif d'itérations (30 à 40) par pas de temps pour atteindre la convergence en raison de la bisection couche par couche.
2. Défis d'Interpolation : Le transfert de la solution d'un maillage de l'étape de temps précédente vers un nouveau maillage non imbriqué nécessite des algorithmes de localisation de points complexes et coûteux, ainsi que des opérateurs d'interpolation ($\Pi_h^n$).
3. Initialisation Redondante : Les approches standards héritent du maillage hautement raffiné de l'étape de temps précédente comme point de départ pour la suivante, ce qui entraîne un nombre inflationniste de degrés de liberté (DDL) et nécessite une étape de coalescence distincte et complexe pour réduire le coût computationnel.

Méthodologie
Les auteurs proposent un nouvel Algorithme d'Éléments Finis $hr$-Adaptatif Amélioré par Réseaux de Neurones, conçu pour surmonter ces limitations grâce à trois mécanismes intégrés :

1. Surrogate Sans Maillage via Réseaux de Neurones (Remplacement de l'Interpolation) :
   Au lieu d'effectuer une interpolation géométrique entre des maillages non imbriqués, la méthode utilise un réseau de neurones (NN) pour construire un substitut (surrogate) continu et sans maillage de la solution des éléments finis de l'étape de temps précédente ($u_{h}^{n-1}$).

   • Le NN est entraîné sur les sommets et les valeurs de la solution du maillage précédent.
   • Pour imposer strictement les conditions aux limites de Dirichlet, le substitut est construit sous la forme $u_{\theta}^{n-1}(x) = d(x)u_{\theta}(x) + \tilde{g}(x, t_{n-1})$, où $d(x)$ s'annule sur la frontière et $\tilde{g}$ étend les données de bord.
   • Stratégie de "Warm-Start" (Démarrage à Chaud) : Les paramètres du NN sont initialisés à l'aide du minimiseur convergé de l'étape de temps précédente, ne nécessissant qu'un ajustement fin rapide (quelques époques) plutôt qu'un réentraînement complet à chaque étape.
   • Ce substitut remplace l'opérateur d'interpolation dans le schéma entièrement discret, permettant l'évaluation directe de la fonction en n'importe quel point spatial sur le nouveau maillage.

2. Génération de Maillage Contrôlée ($h$-Adaptativité) :
   L'algorithme utilise la bibliothèque Gmsh pour générer des maillages basés sur un champ de taille de maillage utilisateur (SIZE).

   • Un champ de taille de maillage est calculé à partir d'estimateurs d'erreur locaux, ciblant une haute densité dans les régions de forte erreur.
   • Contrairement à la bisection standard, cette approche permet la génération de maillages non structurés et non imbriqués qui peuvent augmenter drastiquement la résolution en une seule étape.

3. Stratégie d'Itération Prédictive ($r$-Adaptativité et Contrôle de Boucle) :
   L'algorithme limite la boucle adaptative à un maximum de sept itérations par pas de temps via un flux de travail prédictif :

   • Itérations 1–2 : Phase de "démarrage" pour stabiliser la solution.
   • Itérations 3–5 : Collecte de données pour ajuster un modèle de loi de puissance ($\eta_h \approx cN^{-p}$) reliant l'estimateur d'erreur au nombre de sommets (NOV).
   • Itération 6 : Le modèle ajusté prédit le NOV requis pour atteindre la tolérance. Un nouveau maillage est généré pour correspondre à cette cible.
   • Itération 7 : Une étape de vérification finale garantit que la tolérance prescrite est respectée.
   • Estimateur d'Erreur Combiné : L'indicateur d'erreur incorpore des informations provenant à la fois de la solution actuelle ($u_h^n$) et du substitut NN de la solution précédente ($u_{\theta}^{n-1}$) pour guider efficacement la génération du maillage.

Contributions Clés

• Élimination des Coûts d'Interpolation : En remplaçant l'opérateur d'interpolation dépendant du maillage par un substitut de réseau de neurones sans maillage, la méthode contourne la complexité algorithmique et le coût computationnel du transfert de données entre des maillages non imbriqués.
• Réduction Drastique des Itérations : La stratégie de génération de maillage prédictive réduit le nombre d'itérations adaptatives par pas de temps de l'ordre typique de 30–40 à un maximum de 7.
• Réinitialisation Efficace du Maillage : La méthode réinitialise le maillage à un état grossier et uniforme au début de chaque pas de temps (plutôt que d'hériter du maillage raffiné), évitant ainsi le besoin d'une étape de coalescence distincte et empêchant l'accumulation de DDL inutiles.
• Indépendance de la Dimension : Le cadre est conçu pour être agnostique en termes de dimension, démontré par une application réussie en 2D et 3D sans changements structurels de l'algorithme.

Résultats Numériques
L'article valide l'algorithme par des expériences numériques approfondies sur des équations paraboliques avec des singularités mobiles (rotation, diffusion et division) en 2D et 3D, ainsi que sur des équations d'Allen–Cahn non linéaires et des problèmes sur des domaines en L.

• Efficacité : La méthode proposée atteint la précision souhaitée en pas plus de sept itérations adaptatives de l'espace par pas de temps.
• Surcharge d'Entraînement : Bien que le premier pas de temps nécessite un entraînement important (ex: ~2000 époques), les étapes suivantes nécessitent un ajustement fin minimal (<100 époques), exploitant la stratégie de "warm-start".
• Gains de Performance : Les comparaisons avec les méthodes $h$-adaptatives conventionnelles montrent une réduction substantielle du temps CPU total (réduisant par exemple de 818s à 132s dans un exemple de rotation 2D) et une réduction significative du nombre total de degrés de liberté tout au long de la simulation.
• Précision : La méthode capture avec succès les changements dynamiques des singularités et atteint des taux de convergence quasi-optimaux pour les erreurs de gradient.

Signification et Revendications
L'article affirme que l'algorithme proposé offre un gain d'efficacité global en s'attaquant aux goulots d'étranglement fondamentaux des AFEM conventionnelles pour les problèmes paraboliques. En intégrant les réseaux de neurones non pas comme des solveurs autonomes mais comme des modules spécialisés et pilotés par les données pour le transfert de données et la représentation de fonctions, la méthode parvient à un flux de travail robuste et efficace. Les auteurs soulignent que cette approche rend l'insertion et le mouvement des nœuds plus pratiques, réduit considérablement le temps requis pour le raffinement répété et atteint une haute précision avec un nombre contrôlé de degrés de liberté. Le code est rendu public pour faciliter la recherche et l'application ultérieures.