Elementary discrete diffusion/redistancing schemes for the mean curvature flow

1. Problématique et Contexte

Le papier s'intéresse à la simulation numérique de l'écoulement par courbure moyenne (Mean Curvature Flow - MCF) de frontières de sets (courbes en 2D, surfaces en 3D). Ce phénomène géométrique est modélisé par une équation aux dérivées partielles où la vitesse normale de la frontière est proportionnelle à sa courbure moyenne.

L'approche proposée appartient à la famille des mouvements générés par convolution, une extension élémentaire et plus précise du célèbre schéma Merriman-Bence-Osher (MBO). Le schéma MBO classique alterne une étape de diffusion (résolution de l'équation de la chaleur) et une étape de seuillage (projection sur les ensembles de niveau). Cependant, le MBO souffre de limitations connues :

• Phénomènes de "pinning" (épinglage) : Si la discrétisation spatiale n'est pas affinée correctement par rapport au pas de temps, l'interface peut se figer artificiellement.
• Erreurs de discrétisation : L'utilisation de fonctions caractéristiques (0 ou 1) sur une grille uniforme conduit à une perte de précision sub-pixel.

L'objectif de ce travail est de proposer un schéma entièrement discret (espace et temps) et explicite, basé sur des fonctions de distance signées, et d'en fournir une preuve de convergence rigoureuse vers une solution généralisée (viscosité/distributionnelle) de l'écoulement par courbure moyenne.

2. Méthodologie

Le schéma proposé alterne deux étapes principales sur une grille régulière $\varepsilon \mathbb{Z}^N$ :

A. Étape de Diffusion Discrète

Au lieu d'utiliser un noyau de chaleur discret spécifique, les auteurs considèrent d'abord le schéma d'Euler explicite pour l'équation de la chaleur discrète, puis le généralisent à des noyaux de convolution $K_\varepsilon$ plus larges.
Soit $u^k$ la fonction à l'itération $k$. L'étape de diffusion est définie par :
$$u^{k+1} = K_\varepsilon * s^k$$
où $*$ est la convolution discrète et $s^k$ est la fonction de distance signée de l'itération précédente.
Les noyaux $K_\varepsilon$ doivent satisfaire des conditions naturelles :

1. Positivité et symétrie ($K_\varepsilon(j) = K_\varepsilon(-j) \ge 0$).
2. Masse unitaire ($\sum K_\varepsilon(j) = 1$).
3. Le deuxième moment définit le pas de temps $h$ : $h \sim \sum |j|^2 K_\varepsilon(j)$.
4. Convergence du transformé de Fourier vers le symbole du Laplacien : $\frac{1 - \hat{K}_\varepsilon(\xi)}{h} \to 4\pi^2|\xi|^2$.

B. Opération de Redistancing (Re-calibrage)

C'est la contribution méthodologique centrale. Au lieu d'un simple seuillage, l'algorithme applique un opérateur de redistancing basé sur des inf/convolutions (et sup-convolutions).
Pour une fonction $u$ 1-Lipschitzienne, on définit $sd^+[u]$ et $sd^-[u]$ comme :
$$d^+[u]_i = \inf_{j: u_j < 0} (u_j + |j-i|)$$
$$sd^+[u]_i = \sup_{j: u_j \ge 0} (d^+_j - |j-i|)$$
Cette opération calcule une "vraie" distance discrète aux ensembles $\{u < 0\}$ et $\{u \ge 0\}$ en tenant compte de la géométrie de la grille. Elle garantit que la fonction résultante reste 1-Lipschitzienne et préserve la position de l'interface avec une précision sub-pixel, évitant ainsi les phénomènes de pinning.

C. Condition CFL

La preuve de convergence repose sur une condition de stabilité classique reliant le pas de temps $h$ et le pas d'espace $\varepsilon$ :
$$h \sim \varepsilon^2$$
Plus précisément, $h \gtrsim \varepsilon^2$. Si $h$ est trop petit par rapport à $\varepsilon^2$, l'erreur de redistancing s'accumule et la convergence échoue.

3. Contributions Clés

1. Preuve de Convergence Rigoureuse (Théorème 2.3 & 4.6) :
   Les auteurs établissent la première preuve de convergence pour un schéma entièrement discret (espace et temps) de type diffusion/redistancing vers l'écoulement par courbure moyenne, avec des bornes précises sur le rapport $h/\varepsilon^2$. La convergence est prouvée vers une solution au sens de la viscosité (ou distributionnelle) de l'écoulement.

2. Analyse de la Stabilité et de la Consistance :

   • Monotonie : Élémentaire grâce à la structure du schéma.
   • Consistance : L'opérateur de redistancing basé sur inf/sup-convolutions est "exact" sur le réseau, ce qui permet une preuve de consistance presque directe (Lemme 2.1).
   • Stabilité : La difficulté principale réside dans le contrôle de l'évolution d'une boule (Lemme 3.3). Les auteurs montrent que le rayon d'une boule évolue selon une loi contrôlée par le terme $C \frac{h}{R}$, assurant la compacité temporelle nécessaire à la convergence.

3. Généralisation aux Noyaux Arbitraires (Section 4) :
   Le résultat n'est pas limité au schéma d'Euler explicite. Il s'applique à une large classe de noyaux de convolution (y compris ceux issus de schémas implicites ou de la chaleur discrète), tant qu'ils satisfont les conditions de moments et de transformée de Fourier.

4. Extension aux Schémas Non-Linéaires et Deep Learning (Section 5) :
   Les auteurs généralisent le schéma pour inclure une non-linéarité $\gamma$ (profil optimal de Modica-Mortola/Cahn-Hilliard). Ils montrent que l'algorithme :
   $$u^{k+1} = sd[\gamma^{-1}(K_\varepsilon * \gamma(u^k))]$$
   converge également. Cela fournit une justification théorique partielle aux approches d'apprentissage profond (Deep Learning) récentes pour l'écoulement par courbure moyenne, où des réseaux de neurones apprennent des filtres de convolution et des opérations non linéaires pour simuler ce flux.

5. Optimisation Computationnelle (Section 8) :
   Bien que le redistancing "brute-force" soit coûteux, les auteurs proposent une version restreinte à une bande (strip) autour de l'interface, réduisant la complexité tout en préservant la convergence.

4. Résultats Principaux

• Convergence : Sous la condition $h \ge C \varepsilon^2$, la suite de fonctions de distance signées générées par l'algorithme converge (à extraction près) vers la fonction de distance signée de l'écoulement par courbure moyenne unique (si l'écoulement est unique, c'est-à-dire sans "fattening").
• Précision Numérique : Les expériences numériques (Section 7) montrent que le schéma suit parfaitement la loi de décroissance théorique du rayon d'un disque ($R(t) = \sqrt{R_0^2 - 2t}$), même avec des pas de temps plus grands que ceux requis par le schéma explicite standard (grâce à l'utilisation de schémas implicites dans les tests).
• Robustesse : Le schéma évite les artefacts de pinning observés dans le MBO classique lorsque le rapport $h/\varepsilon^2$ n'est pas respecté.

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

• Fondation Théorique : Il comble un vide dans la littérature en fournissant une analyse de convergence complète pour des schémas entièrement discrets, là où la plupart des travaux précédents supposaient une discrétisation spatiale continue ou ne traitaient que des cas partiels.
• Justification des Méthodes Modernes : Il offre un cadre mathématique solide pour comprendre pourquoi des approches basées sur l'apprentissage automatique (qui imitent ce schéma de convolution-redistancing) fonctionnent si bien pour simuler des écoulements géométriques complexes.
• Flexibilité Algorithmique : En démontrant que la structure exacte du noyau de diffusion importe peu (tant que les moments et la symétrie sont respectés), le papier ouvre la voie à l'utilisation de noyaux optimisés pour la performance ou l'implémentation matérielle (GPU, FPGA).
• Précision Sub-pixel : L'approche par redistancing via inf-convolution sur grille offre une précision géométrique supérieure aux méthodes de seuillage classiques, essentielle pour les applications où la topologie de l'interface est critique.

En résumé, ce papier propose un algorithme simple, robuste et mathématiquement justifié pour la simulation de l'écoulement par courbure moyenne, reliant efficacement les méthodes numériques classiques, l'analyse asymptotique et les techniques modernes d'apprentissage profond.