Résumé technique : Sélection de solveurs linéaires pilotée par les données et optimisation des performances pour les simulations multiphysiques en milieux poreux

1. Énoncé du problème

La simulation de processus multiphysiques couplés dans les milieux poreux (par exemple, l'écoulement des fluides, le transfert de chaleur et la thermomécanique des milieux poreux) nécessite la résolution de grands systèmes linéaires non symétriques et creux à chaque pas de temps ou itération de Newton. Ces systèmes sont généralement résolus à l'aide de méthodes itératives préconditionnées, telles que GMRES. L'efficacité et la robustesse de ces solveurs dépendent fortement du choix du préconditionneur et de ses paramètres numériques.

Les défis fondamentaux identifiés dans ce travail sont :

• Explosion combinatoire : Les préconditionneurs pour les problèmes multiphysiques sont souvent construits en combinant des sous-algorithmes pour les composants physiques individuels (par exemple, l'algorithme multigrille algébrique (AMG) pour la mécanique, le résidu de pression contrainte (CPR) pour l'écoulement). Cela se traduit par un vaste espace de configuration, allant de milliers à des dizaines de milliers de configurations de solveurs possibles (par exemple, $10^4$ dans les cas étudiés).
• Dépendance au contexte : La performance du solveur est très sensible à l'état de la simulation (par exemple, la pression, la température, l'état de contact des fractures). Une configuration optimale pour un pas de temps ou un ensemble de paramètres physiques donnés peut être sous-optimale ou échouer totalement pour un autre.
• Rareté et pertinence des données : L'optimisation traditionnelle repose sur de grands ensembles de données collectés à partir de simulations antérieures. Cependant, lorsque les configurations de simulation changent (par exemple, différents champs de perméabilité ou emplacements de puits), les données historiques deviennent moins représentatives. La collecte d'un ensemble complet de données pour chaque nouveau scénario est prohibitive en termes de calcul, car tester toutes les configurations peut prendre des jours.
• Écart d'expertise : Le réglage manuel de ces solveurs nécessite des connaissances expertes approfondies, qui ne sont pas toujours disponibles pour les ingénieurs en simulation.

La question de recherche posée est la suivante : Comment concevoir un algorithme de sélection de solveurs préconditionnés qui garantisse une forte performance de simulation tout en minimisant le temps passé à explorer des solveurs sous-optimaux, particulièrement lorsque les données historiques sont insuffisantes ou non pertinentes ?

2. Méthodologie

Les auteurs proposent un algorithme de sélection de solveur adaptatif piloté par les données qui fonctionne pendant l'exécution de la simulation. L'approche utilise un pipeline d'apprentissage automatique (ML) à deux étapes qui met à jour continuellement sa politique sur la base du retour d'information de la simulation actuelle.

2.1 Espace de configuration du solveur

L'algorithme traite la sélection d'un solveur comme un problème d'optimisation sur un espace de configuration $\mathcal{A}$. Chaque configuration $a \in \mathcal{A}$ est encodée sous la forme d'un vecteur contenant :

• Décisions catégorielles : Choix d'algorithmes (par exemple, GMRES vs Direct, CPR vs Système-AMG, variantes spécifiques d'AMG comme BoomerAMG ou GAMG).
• Paramètres numériques : Hyperparamètres réglables (par exemple, seuils de force AMG, types de relaxation, valeurs de redémarrage GMRES).
  Ces éléments sont encodés en vecteurs binaires et de valeurs réelles pour servir d'entrées au ML.

2.2 Contexte de la simulation

Pour traiter la dépendance au contexte de la performance du solveur, l'algorithme utilise un vecteur de contexte de simulation $c$. Ce vecteur compresse l'état complet de la simulation $\chi$ en un nombre fixe de caractéristiques, telles que :

• La taille du pas de temps ($\Delta t$).
• Le nombre de CFL.
• Les limites de température et de pression.
• Les magnitudes de flux (enthalpie, diffusion).
• Les métriques de qualité du maillage.
• Les estimations de perméabilité (pour les cas hétérogènes).

2.3 Le pipeline d'apprentissage automatique

Le processus de sélection utilise un pipeline séquentiel de deux modèles de ML :

1. Classifieur : Prédit la probabilité de succès ($S$) pour une configuration $a$ et un contexte $c$. Les configurations prédites comme échouant sont écartées.
2. Régresseur : Estime la récompense attendue ($R$), définie comme le logarithme négatif du temps de résolution ($-\log T$), pour les configurations restantes.

La sélection finale $a_{pred}$ est la configuration qui maximise la récompense prédite parmi celles prédites comme réussies :
$$a_{pred} = \arg\max_{a \in \mathcal{A}} r(a, c) \quad \text{sous réserve que} \quad s(a, c) = \text{vrai}$$

2.4 Stratégie d'apprentissage

L'algorithme fonctionne en deux phases pour équilibrer l'exploration et l'exploitation :

• Exploration initiale : Au début d'une simulation (ou lorsqu'aucune donnée historique pertinente n'existe), l'algorithme sélectionne aléatoirement des configurations pour un nombre fixe de systèmes linéaires ($num_{initial} = 64$ dans les expériences). Cela permet de recueillir des données de performance spécifiques à la configuration actuelle de la simulation.
• Apprentissage incrémental : Les modèles de ML (classificateurs et régresseurs de Gradient Boosting) sont mis à jour par lots. Après la phase initiale, l'algorithme sélectionne la meilleure configuration prédite pour chaque nouveau système linéaire. Si le solveur échoue, il réessaie avec une nouvelle configuration. Les données de performance (contexte, configuration, succès/échec, temps) sont accumulées et utilisées pour réentraîner périodiquement les modèles.

3. Principales contributions

• Cadre de sélection adaptatif : L'article présente un nouveau cadre qui collecte des données de performance en temps réel pendant la simulation cible, plutôt que de s'appuyer sur des ensembles de données pré-collectés provenant de configurations différentes. Cela répond au problème de la pertinence des données lors de changements d'environnements de simulation.
• Gestion de grands espaces de configuration : La méthode est conçue pour opérer dans un espace d'environ $\approx 10^4$ configurations, en utilisant un classifieur pour filtrer les échecs probables avant d'appliquer un régresseur pour l'estimation de la performance.
• Optimisation sensible au contexte : En incorporant explicitement des caractéristiques de contexte de simulation, l'algorithme s'adapte aux changements de physique du problème (par exemple, les transitions entre les régimes de transfert de chaleur diffusif et advectif).
• Implémentation à faible surcharge : Les auteurs démontrent que le coût de calcul de l'inférence et du réentraînement du ML est négligeable par rapport au temps nécessaire pour résoudre les systèmes linéaires.

4. Expériences numériques et résultats

L'algorithme a été évalué sur deux problèmes de modèles non linéaires dépendants du temps :

1. Séquence A : Écoulement fluide couplé et transfert de chaleur dans un milieu poreux hétérogène (basé sur les benchmarks SPE10). Espace de configuration : ~14 415 options.
2. Séquence B : Thermomécanique des milieux poreux avec fractures et contact mécanique. Espace de configuration : ~32 000 options.

Principales conclusions :

• Robustesse et efficacité : L'algorithme de sélection de solveur a réussi à éviter les mauvaises configurations (celles qui échouent à converger ou prennent un temps excessif).
  • Dans la Séquence A, le taux de succès après l'exploration initiale a atteint 88,88 %, contre 64,5 % pour la sélection aléatoire.
  • Dans la Séquence B, le taux de succès a atteint 99,92 %, contre 91,3 % pour la sélection aléante.
• Proximité de la performance optimale : L'algorithme a systématiquement sélectionné des configurations faisant partie des meilleures 1,9 % à 2,7 % de toutes les configurations possibles en termes de temps de résolution.
• Comparaison avec la référence "Expert" : Les auteurs ont comparé leur approche adaptative à une référence "expert" ayant accès à toutes les données de performance collectées lors des exécutions précédentes (simulant un scénario avec une connaissance préalable parfaite).
  • L'algorithme adaptatif a performé de manière comparable à la référence expert.
  • Dans la Séquence B, l'approche adaptative a parfois surpassé la référence expert car le besoin de l'expert de se réentraîner sur un ensemble de données massif introduisait une surcharge légèrement plus élevée, tandis que la méthode adaptative utilisait un ensemble de données plus petit et plus pertinent.
• Surcharge : La surcharge liée au machine learning était négligeable (environ 0,02–0,04 seconde par système linéaire), alors que les temps de résolution linéaire étaient de l'ordre de secondes ou de minutes.

5. Signification et affirmations

L'article affirme que l'approche proposée répond efficacement au défi de la sélection et du réglage des solveurs dans les simulations multiphysiques où :

1. L'espace de configuration est trop vaste pour une recherche exhaustive.
2. Les données de performance historiques sont insuffisantes ou non pertinentes en raison de changements dans la configuration de la simulation.
3. Les connaissances expertes pour le réglage manuel sont indisponibles.

Les auteurs soulignent que leur méthode offre une solution pratique pour les ingénieurs en simulation, permettant des simulations robustes et efficaces avec une intervention manuelle minimale. Les résultats suggèrent qu'un "réglage peu coûteux sur le vif" peut produire des performances quasi identiques à celles d'un expert possédant une connaissance préalable complète, sans le coût prohibitif de la collecte de vastes ensembles de données historiques. Cette approche est particulièrement précieuse pour les simulations à l'échelle industrielle où la fiabilité et l'automatisation sont critiques.