A Machine Learning accelerated geophysical fluid solver

Cette thèse propose une méthode de discrétisation pilotée par l'apprentissage automatique pour accélérer et améliorer la précision des solveurs de fluides géophysiques, en testant notamment des réseaux de neurones profonds sur les équations de l'eau peu profonde et d'Euler.

L'essentiel

Le Problème : Le Grand Puzzle de la Nature

Imaginez que vous vouliez prédire si une tempête va frapper votre ville ou si un tsunami va arriver sur une côte. Pour faire cela, les scientifiques utilisent des modèles mathématiques très complexes qui simulent le mouvement de l'eau ou de l'air.

Le problème, c'est que la nature est un "puzzle" infiniment détaillé. Pour être précis, il faudrait diviser l'océan en milliards de minuscules petits carrés et calculer ce qui se passe dans chaque carré, chaque seconde. C'est tellement lourd que même les superordinateurs les plus puissants finissent par "transpirer" et mettre des jours, voire des semaines, à donner une réponse. C'est comme essayer de dessiner chaque grain de sable sur une plage : c'est beau, mais c'est interminable !

La Solution Classique : Le Dessinateur Rigide

Actuellement, on utilise des méthodes appelées "solvers classiques". Imaginez un dessinateur très discipliné, mais un peu têtu. Il suit des règles mathématiques strictes (les équations de la dynamique des fluides). S'il n'a pas assez de temps, il décide de dessiner des carrés plus grands pour aller plus vite. Mais en faisant cela, il perd les détails : il voit une vague, mais il ne voit pas le petit tourbillon qui la fait bouger. Il gagne du temps, mais il perd en précision.

L'Idée de l'Étudiant (Yang Bai) : L'Assistant Intelligent

L'idée de ce mémoire est d'ajouter un "assistant intelligent" (une Intelligence Artificielle) à ce dessinateur.

Au lieu de demander au dessinateur de tout calculer avec une précision extrême (ce qui est trop lent), on lui demande de travailler avec de gros carrés (ce qui est rapide). Mais, on demande à l'IA de regarder les gros carrés et de deviner intelligemment ce qui se passe dans les détails qui manquent.

C'est comme si, au lieu de dessiner chaque feuille d'un arbre, vous dessiniez de grosses masses vertes, et qu'une IA venait "ajouter" par magie l'illusion des feuilles et des branches fines par-dessus. On obtient un résultat qui ressemble à la réalité, mais avec beaucoup moins d'effort de dessin.

L'Expérience : Quatre Tentatives de "Magie"

L'auteur a testé quatre façons différentes d'utiliser l'IA pour aider le dessinateur :

1. L'assistant qui devine le mouvement (Échec) : On demande à l'IA de prédire directement la force du courant. Résultat : l'IA s'est un peu emballée et a fini par créer des mouvements totalement absurdes. La nature n'aime pas l'improvisation sauvage !
2. L'assistant qui fait des moyennes (Moyen/Instable) : On demande à l'IA de calculer les bords des carrés. Résultat : c'était un peu trop saccadé, comme un film qui saute des images, ce qui rendait la simulation instable.
3. L'assistant qui recrée les bords (Prometteur) : On demande à l'IA de reconstruire les détails sur les bords des carrés. Résultat : ça marche plutôt bien ! C'est un peu bruyant (comme une radio qui capte mal), mais c'est très utile.
4. L'assistant qui guide la précision (Le Champion) : C'est la méthode la plus élégante. Au lieu de tout inventer, l'IA donne simplement des "indices de correction" au dessinateur pour qu'il sache comment ajuster ses traits. Résultat : c'est la méthode la plus stable et la plus précise. Elle arrive à imiter les dessins très détaillés tout en restant rapide.

En résumé

Ce travail montre qu'on ne peut pas simplement demander à une IA de "remplacer" les mathématiques (car la nature obéit à des lois strictes que l'IA pourrait ignorer), mais qu'on peut utiliser l'IA comme un super-outil de précision pour aider les mathématiques à aller plus vite sans perdre la réalité.

C'est un pas de plus vers des prévisions météo et climatiques beaucoup plus rapides et précises !

Résumé technique

Résumé Technique : Accélération par Apprentissage Automatique d'un Solveur de Fluides Géophysiques

1. Problématique

La simulation des systèmes physiques complexes (climat, météo, tsunamis) repose sur la résolution d'équations aux dérivées partielles (EDP) non linéaires, telles que les équations de l'eau peu profonde (SWE) et les équations d'Euler.

Le défi majeur réside dans le compromis entre précision et coût computationnel :

• Les simulations à haute résolution sont extrêmement coûteuses en temps de calcul.
• Les approches traditionnelles utilisant des maillages grossiers sacrifient la précision et la stabilité, notamment lors de la capture de phénomènes de discontinuité (ondes de choc).
• L'application de l'apprentissage automatique (ML) aux EDP est complexe car elle doit respecter des contraintes mathématiques strictes (conservation de la masse, de l'énergie, et stabilité numérique).

2. Méthodologie

L'auteur propose d'intégrer des réseaux de neurones convolutifs (CNN) au sein d'un cadre de résolution classique basé sur la méthode des volumes finis (FVM). L'idée centrale est la discrétisation pilotée par les données (data-driven discretization), où le ML ne remplace pas le solveur, mais prédit les coefficients ou les états nécessaires pour améliorer la précision sur des maillages de faible résolution.

L'étude explore quatre architectures de réseaux de neurones pour le solveur SWE :

1. Approche 1 (Flux direct) : Le CNN prédit directement les flux numériques aux interfaces des cellules.
2. Approche 2 (Coefficients linéaires) : Le CNN génère des coefficients pour interpoler les valeurs aux frontières des cellules.
3. Approche 3 (Reconstruction directe) : Le CNN reconstruit directement les états aux frontières ($Q_L$ et $Q_R$) à partir des moyennes de cellules.
4. Approche 4 (Pentes de reconstruction) : Le CNN prédit les pentes de reconstruction (similaire aux schémas WENO) pour obtenir des coefficients de limitation de flux.

Le travail inclut également le développement de solveurs classiques performants pour les domaines 1D, 2D (planaires) et sphériques, implémentés via les frameworks Torch et DACE (Data-Centric Parallel Programming).

3. Contributions Clés

• Développement de solveurs robustes : Implémentation de solveurs de premier et second ordre pour les équations SWE et d'Euler, incluant des schémas de flux variés (Lax-Friedrichs, Rusanov, Roe, HLL, HLLE, HLLC).
• Optimisation de maillage sphérique : Utilisation de maillages logiquement rectangulaires pour simuler des flux sur une sphère, permettant des opérations locales et une conservation de la masse exacte.
• Hybridation ML-Numérique : Proposition et évaluation de quatre méthodes d'intégration de CNN dans un solveur FVM pour compenser la perte de précision due à la réduction de résolution.
• Benchmark de performance : Comparaison systématique des performances de calcul entre les frameworks classiques (Pyclaw) et les nouveaux implémentations (DACE/Torch), démontrant une supériorité de vitesse des solutions proposées.

4. Résultats Principaux

• Performance des solveurs classiques : Les solveurs développés par l'auteur surpassent nettement le solveur Pyclaw en termes de vitesse de calcul, particulièrement sur GPU et via le framework DACE.
• Évaluation des méthodes ML :
  • L'approche 1 (Flux direct) s'est révélée non viable car elle ne parvenait pas à maintenir la conservation de l'énergie.
  • L'approche 2 (Coefficients) a montré une instabilité due à des discontinuités intermittentes dans les valeurs interpolées.
  • L'approche 3 (Reconstruction directe) est jugée faisable : elle produit des résultats corrects avec un peu de bruit, offrant une meilleure précision que les solveurs de premier ordre classiques.
  • L'approche 4 (Pentes de reconstruction) est la plus performante et la plus stable. Elle minimise le bruit, garantit au moins un premier ordre d'exactitude et produit des résultats très proches des solutions de haute résolution, avec une dissipation d'énergie maîtrisée.

5. Signification et Perspectives

Cette thèse démontre que l'intégration du ML dans les solveurs de fluides ne doit pas être une "boîte noire" totale, mais doit s'insérer de manière structurelle dans les lois de conservation numériques.

L'approche par reconstruction de pentes (Méthode 4) ouvre la voie à des simulations géophysiques ultra-rapides : on peut utiliser un maillage grossier (économique) tout en obtenant la précision d'un maillage fin grâce à l'intelligence du réseau de neurones. Les travaux futurs suggèrent d'étendre cette méthode aux équations d'Euler en ajoutant des contraintes de positivité (densité, énergie) et d'optimiser l'architecture des réseaux pour atteindre une précision supérieure aux schémas de second ordre traditionnels.