A Streaming Sparse Cholesky Method for Derivative-Informed Gaussian Process Surrogates Within Digital Twin Applications

Résumé Technique : Une méthode de Cholesky creuse en flux continu pour les surrogats de processus gaussiens informés par les dérivées au sein des applications de Jumeaux Numériques

Énoncé du Problème

Les cadres de Jumeaux Numériques (JN) visent à modéliser le comportement d'actifs physiques spécifiques (Jumeaux Physiques, JP) afin de permettre des prévisions en temps réel et une maintenance basée sur l'état. Un défi central dans le développement des JN est de trouver un équilibre entre la fidélité du modèle et l'efficacité computationnelle. Bien que les simulations physiques à pleine échelle offrent une haute fidélité, elles dépassent souvent les contraintes de temps réel. À l'inverse, les modèles d'ordre réduit risquent de perdre en précision individualisée. De plus, les JN doivent évoluer parallèlement à leurs homologues physiques, nécessissant l'ingestion de données de service pour mettre à jour le modèle.

Les surrogats de processus gaussiens (GP) standards sont efficaces pour la quantification de l'incertitude, mais font face à des problèmes de scalabilité lorsqu'ils sont enrichis d'informations de dérivées. Bien que l'incorporation de données de dérivées (ex. : vitesses, accélérations ou sensibilités) améliore considérablement la précision prédictive et capture les sensibilités locales, elle augmente drastiquement la dimension de la matrice de covariance. Cette expansion entraîne des coûts de calcul prohibitifs pour l'inversion de matrice et un mauvais conditionnement numérique, particulièrement lors du traitement de dérivées d'ordre élevé et de grands ensembles de données. Les méthodes d'approximation creuse existantes peinent souvent à accommoder efficacement ces structures enrichies par les dérivées dans un contexte dynamique de flux continu.

Méthodologie

Les auteurs proposent une solution de JN de bout en bout qui intègre trois avancées fondamentales : la modélisation GP informée par les dérivées, la factorisation de Cholesky creuse et un algorithme de mise à jour dynamique en flux continu.

1. Processus Gaussiens informés par les dérivées :
L'étude étend les formulations de GP standards pour inclure les valeurs de la fonction et leurs dérivées jusqu'à un ordre $d$ arbitraire (spécifiquement jusqu'au 4ème ordre dans ce travail). En utilisant un noyau exponentiel carré (SE) — qui garantit une dérivation suffisante — les auteurs construisent une matrice de covariance jointe $K_{der}$ qui comprend des blocs pour les valeurs de la fonction et tous les ordres de dérivées. Des lemmes théoriques établissent que cette matrice de covariance informée par les dérivées reste définie positive symétrique et que l'inclusion de dérivées d'ordre supérieur réduit de manière monotone la variance postérieure (incertitude) de la prédiction du GP.

2. Factorisation de Cholesky creuse :
Pour remédier à l'intraitabilité computationnelle de l'inversion de la grande matrice dense $K_{der}$, les auteurs emploient une factorisation de Cholesky creuse de la matrice de précision.

• Ordonnancement : Ils utilisent un ordonnancement de distance maximum-minimum (MMD) pour permuter les points d'entraînement, garantissant que les points de la séquence ne sont pas trop proches les uns des autres, ce qui favorise la parcimonie.
• Évidement (Sparsification) : Un ensemble creux est défini sur la base d'un paramètre de sparsification $\rho$ et du rayon d'insertion des points.
• Intégration des dérivées : Les auteurs étendent l'algorithme de Cholesky creuse pour gérer les observations de dérivées. Ils introduisent un « algorithme d'ordonnancement par point » où les mesures de dérivées sont regroupées avec leurs valeurs de fonction correspondantes dans la structure de la matrice. Cela permet de maintenir la structure creuse tout en incorporant les blocs de dérivées.

3. Algorithmes de mise à jour dynamique en flux continu :
Reconnaissant que les JN nécessitent une adaptation en temps réel, l'article introduit deux approches de mise à jour dynamique (SU-Approach1 et SU-Approach2) qui évitent un réentraînement complet lorsque de nouvelles données arrivent :

• Division Fixe/Dynamique : L'ensemble d'entraînement est partitionné en un ensemble « fixe » (données historiques) et un ensemble « dynamique » (données récentes).
• Gestion des Supernœuds : L'algorithme identifie des « supernœuds » (groupes de colonnes ayant des motifs de parcimonie identiques). Lorsque de nouvelles données arrivent, elles sont ajoutées à l'ensemble dynamique. L'algorithme ne réévalue que les facteurs de Cholesky pour les supernœuds dynamiques affectés, réutilisant les facteurs pour les supernœuds fixes.
• Critères de Réentraînement : Le système inclut une logique pour détecter quand les mises à jour dynamiques sont insuffisantes (ex. : divergence continue de l'erreur de prédiction, détection d'anomalies ou atteinte d'un budget de données). Dans ces cas, un réentraînement complet est déclenché avec les données accumulées.

Contributions Clés

1. Cholesky Creuse Enrichie par les Dérivées : Les auteurs généralisent la factorisation de Cholesky creuse pour accommoder les GP informés par les dérivées, permettant l'utilisation de données de dérivées d'ordre élevé sans le coût de $O(N^3)$ d'une inversion exacte.
2. Cadre de Mise à Jour Dynamique : Ils développent un algorithme de flux continu qui met à jour le facteur de Cholesky creux de manière incrémentielle. Cela permet au surgat de JN de s'adapter aux nouvelles données du jumeau physique en temps réel avec un surcoût computationnel nettement réduit par rapport à un réentraînement complet.
3. Système de JN Ingénieré : Ce travail présente un démonstrateur de JN complet et intégré pour la surveillance de la santé structurelle des aéronefs, combinant les avancées mathématiques dans un système fonctionnel qui modélise la croissance des fissures de fatigue.

Résultats

Vérification Numérique :
Des expériences sur les fonctions de Griewank et de Rosenbrock ont démontré que l'incorporation d'informations de dérivées réduit significativement l'erreur de prédiction. Pour une fonction de Griewank en 3D avec 27 points d'entraînement, l'erreur quadratique moyenne (MSE) est passée de $10^{-2}$ (sans dérivées) à $10^{-13}$ (dérivées d'ordre 4). L'approximation de Cholesky creuse avec des paramètres de sparsification appropriés ($\rho$) a atteint une précision comparable au GP exact.

Application au Jumeau Numérique (Croissance de Fissures de Fatigue) :
La méthode a été appliquée pour prédire la croissance des fissures de fatigue dans une structure d'aéronef utilisant un modèle de fissure de surface semi-elliptique.

• Précision : Les modèles enrichis par les dérivées ont nettement surpassé les modèles nominaux. Au dernier point d'inspection, la différence de pourcentage relative ($\eta$) entre les taux de croissance de fissure prédits et réels est passée d'environ 1,8 % (ordre 0) à environ 0,2 % (ordre 4) pour le GP exact réentraîné, et de manière similaire pour l'approche creuse dynamique.
• Efficacité : La méthode de Cholesky creuse dynamique a atteint des précisions de prédiction comparables au GP exact réentraîné, mais avec un coût de calcul de $O(Ms^2)$ (où $M$ est la taille de l'ensemble dynamique et $s$ est le nombre moyen de non-zéros par colonne), comparativement à $O(N^3)$ pour un réentraînement complet. Lors des tests de temps d'exécution, la méthode creuse dynamique a complété la simulation en environ 3 minutes contre 25 minutes pour l'approche de réentraînement complet.
• Robustesse : Le système a démontré une robustité face au bruit intrinsèque (simulé via des variations de Monte Carlo des propriétés des matériaux) et aux observations partielles de dérivées. L'augmentation de la fréquence des inspections a davantage amélioré la précision de la prédiction.

Signification et Revendications

L'article affirme fournir une base principielle et computationnellement efficace pour le déploiement de surrogats GP adaptatifs et informés par les dérivées dans des applications de jumeaux numériques, particulièrement pour les systèmes aérospatiaux et mécaniques où la précision et la scalabilité sont critiques.

Les auteurs soulignent que leur contribution n'est pas l'invention des GP informés par les dérivées ou des méthodes de Cholesky creuses de manière isolée, mais plutôt l'ingénierie d'un système cohérent qui aligne avec succès ces composants pour les exigences spécifiques d'un Jumeau Numérique. Les observations pratiques clés mises en évidence incluent :

• La nécessité d'une optimisation prudente de la régularisation (nugget) et des paramètres de longueur d'échelle pour gérer le conditionnement des matrices de covariance informées par les dérivées.
• L'importance des unités et de la magnitude des données de dérivées par rapport aux variables primaires.
• Le compromis entre la fréquence d'inspection et le coût computationnel, notant qu'une fréquence de mise à jour plus élevée permet une meilleure convergence vers le comportement du jumeau physique.

L'étude conclut que la méthode de Cholesky creuse en flux continu proposée comble efficacement le fossé entre les données de dérivées de haute fidélité et les exigences de temps réel des JN, permettant des prédictions plus précises, individualisées et computationnellement réalisables pour la gestion d'actifs.