ASP-Assisted Symbolic Regression: Uncovering Hidden Physics in Fluid Mechanics

Résumé Technique : Régression Symbolique Assistée par ASP en Mécanique des Fluides

Énoncé du Problème
La modélisation en mécanique des fluides fait face à une dichotomie entre la Dynamique des Fluides Numérique (CFD) traditionnelle, qui est physiquement transparente mais coûteuse en calcul, et les approches modernes d'Apprentissage Automatique (ML), qui offrent une efficacité mais manquent souvent d'interprétabilité (comportement de « boîte noire »). Bien que la Régression Symbolique (SR) se soit imposée comme une alternative prometteuse capable de découvrir des expressions mathématiques interprétables à partir de données, les modèles de SR purement basés sur les données risquent de générer des équations statistiquement exactes mais physiquement plausibles. Elles peuvent violer des contraintes spécifiques au domaine ou des lois physiques fondamentales car elles opèrent sans connaissance explicite de la physique sous-jacente. Cette étude aborde le défi de la modélisation de l'écoulement laminaire tridimensionnel (3D) dans un canal rectangulaire, en se concentrant spécifiquement sur la dérivation de formules compactes et interprétables pour les champs de vitesse axiale et de pression, qui soient à la fois précises et physiquement cohérentes.

Méthodologie
La recherche emploie une méthodologie à deux volets : une approche standard de Régression Symbolique suivie d'un cadre hybride innovant intégrant la Programmation par Ensembles de Réponses (ASP).

1. Génération des Données et Configuration :

   • Le problème physique implique un écoulement laminaire 3D dans une conduite rectangulaire symétrique ($L=5, H=W=1$).
   • Les équations gouvernantes sont les équations de Navier-Stokes sans dimension et la conservation de la masse.
   • Les solutions numériques sont générées en utilisant la Méthode des Volumes Finis (FVM) implémentée dans MATLAB avec une grille de $50 \times 25 \times 25$.
   • L'écoulement est entraîné par un gradient de pression constant dans le sens de l'écoulement ($c$), qui sert de paramètre de contrôle principal. Un nombre de Reynolds effectif ($Re$) est calculé a posteriori à partir de la solution numérique pour servir de paramètre de contrôle scalaire pour les modèles de SR.
   • Les jeux de données incluent des ensembles d'entraînement ($Re \in \{34, 105, 174, 209, 279\}$) et de test ($Re \in \{70, 139, 244\}$).

2. Phase de Régression Symbolique (SR) :

   • La bibliothèque PySR (v0.19.4) est utilisée pour découvrir des expressions symboliques pour la vitesse axiale ($u$) et la pression ($p$) en fonction des coordonnées spatiales ($X, Y, Z$) et de $Re$.
   • Primitives : L'espace de recherche est restreint aux opérateurs motivés par le domaine : arithmétique de base ($+, -, *, /$) et polynômes d'ordre faible (carré, cube).
   • Contraintes : Pour assurer l'interprétabilité, la complexité de l'expression est limitée à 25 opérations. Des contraintes imbriquées empêchent les fonctions d'ordre élevé redondantes.
   • Optimisation : Les modèles sont évolués sur 1000 itérations pour minimiser l'Erreur Quadratique Moyenne (MSE), générant un front de Pareto de solutions équilibrant précision et simplicité.

3. Phase Hybride SR/ASP :

   • Pour pallier la limitation des modèles purement basés sur les données, les auteurs intègrent la SR avec la Programmation par Ensembles de Réponses (ASP), un paradigme de programmation déclaratif pour la satisfaction de contraintes.
   • Flux de travail : La SR génère des équations candidates. Celles-ci sont analysées en faits (par exemple, complexité, perte, présence de termes spécifiques comme $Re$ ou $Y^2$).
   • Filtrage : Un programme ASP encode des contraintes physiques spécifiques au domaine (par exemple, exclusion de termes non physiques comme $X^3$ ou $Y^3$, exigence d'inclusion de $Re$, respect des conditions aux limites de non-glissement, et exigences de symétrie).
   • Résolution : Un solveur ASP (CLASP) traite ces faits et contraintes pour filtrer la sortie de la SR, ne conservant que les équations à la fois statistiquement précises et physiquement valides.

Contributions Clés

• Dérivation de Lois Physiques Compactes : L'étude dérive avec succès des équations symboliques explicites et sous forme fermée pour la vitesse et la pression d'un écoulement laminaire 3D, qui correspondent étroitement aux solutions numériques et aux tendances analytiques établies.
• Intégration Innovante SR/ASP : L'article présente, à la connaissance des auteurs, la première tentative de combiner la Régression Symbolique avec la Programmation par Ensembles de Réponses. Ce cadre hybride exploite la puissance générative de la SR et le raisonnement déclaratif de l'ASP pour garantir que les modèles dérivés respectent les principes physiques.
• Validation de la Robustesse : L'approche est validée par l'injection de bruit (2 % de bruit ajouté aux données) et l'expansion de l'ensemble des opérateurs (incluant des fonctions trigonométriques/exponentielles), démontrant que les relations polynomiales découvertes sont de véritables reflets de la physique de l'écoulement plutôt que des artefacts de l'espace de recherche.

Résultats

• Modèle de Vitesse : Le modèle SR a dérivé l'équation $u_{symb} = Re(2.18 - 8.46 Y^2)(1 - 3.89 Z^2)$. Cette expression capture le profil de vitesse parabolique attendu. Elle a atteint une Erreur Absolue Moyenne Normalisée (NMAE) de 0,008 % sur l'ensemble d'entraînement et de 0,010 % sur l'ensemble de test.
• Modèle de Pression : L'équation de pression dérivée est $p_{symb} = Re(143.43 - 28.69 X)$, reflétant une chute de pression linéaire. Ce modèle a atteint une NMAE dans la plage de $10^{-8}\%$, indiquant un alignement quasi parfait avec les données numériques.
• Comparaison avec la Littérature : L'équation de vitesse dérivée approxime étroitement la solution analytique pour les conduites rectangulaires trouvée dans la littérature (par exemple, $u \propto (1-4y^2)(1-4z^2)$), avec de légères divergences attribuées aux données numériques de résolution finie.
• Filtrage ASP : Dans un exemple représentatif, le module ASP a filtré avec succès un front de Pareto de 14 équations. Il a sélectionné les candidats les plus précis et physiquement valides (incluant l'équation de vitesse finale) en environ 0,1 seconde, un temps négligeable par rapport aux 15 minutes requises pour la phase d'entraînement de la SR. Le filtrage a exclu avec succès les équations violant la symétrie ou les conditions aux limites.

Signification et Revendications
L'article revendique que la méthodologie SR/ASP proposée démontre le potentiel de la combinaison d'approches basées sur les données et de représentation des connaissances pour améliorer l'interprétabilité, la fiabilité et l'alignement physique des modèles d'IA en dynamique des fluides.

• Interprétabilité : Contrairement aux modèles ML de « boîte noire », les équations résultantes sont lisibles par l'homme et révèlent la physique sous-jacente (vitesse parabolique, chute de pression linéaire).
• Fiabilité : En intégrant l'ASP, le cadre garantit que les modèles ne font pas seulement correspondre les données, mais respectent également les contraintes spécifiques au domaine, empêchant la sélection d'équations physiquement impossibles.
• Efficacité : Les expressions symboliques dérivées servent de substituts efficaces aux méthodes numériques intensives en calcul, offrant des prédictions rapides et précises.

Les auteurs maintiennent un ton modeste concernant les implications futures, notant que bien que l'étude actuelle se concentre sur une géométrie spécifique de canal 3D, le cadre est généralisable. Ils suggèrent que des travaux futurs pourraient impliquer l'intégration de polynômes de Chebyshev dans les opérateurs de SR et l'utilisation de Grands Modèles de Langage pour dériver automatiquement des contraintes ASP à partir de descriptions en langage naturel des connaissances du domaine.