⚡ electrical engineering

A data-driven model-free physical-informed deep operator network for solving nonlinear dynamic system

Cet article propose un cadre DeepOnet sans modèle mais informé par la physique, capable d'apprendre la dynamique non linéaire de systèmes complexes à partir de données expérimentales limitées en intégrant un modèle de substitution pour capturer les dépendances à court terme.

Auteurs originaux : Jieming Sun, Lichun Li

Publié 2026-02-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jieming Sun, Lichun Li

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de prédire le comportement d'un système complexe, comme une toupie qui tourne, un pendule qui oscille ou même le climat. Pour le faire, vous avez généralement deux options :

La recette parfaite : Vous connaissez la formule mathématique exacte qui régit le système (comme la recette exacte d'un gâteau).
L'observation massive : Vous avez observé le système des millions de fois pour apprendre par cœur tous ses mouvements.

Le problème ? Dans la vraie vie, on a souvent ni la recette (la formule est inconnue ou trop complexe) ni le temps de faire des millions d'observations (les expériences coûtent trop cher). On se retrouve avec très peu de données et une idée floue de comment ça marche. C'est comme essayer de deviner la prochaine note d'une mélodie en n'ayant entendu que trois notes, sans connaître la partition.

C'est là que les auteurs de cet article (Jieming Sun et Lichun Li) proposent une solution ingénieuse. Ils ont créé un nouveau type d'intelligence artificielle qu'on pourrait appeler "Le Détective Intuitif".

Comment fonctionne ce "Détective Intuitif" ?

Pour comprendre leur méthode, utilisons une analogie avec un apprenti cuisinier qui doit apprendre à faire un plat sans recette, mais avec très peu d'ingrédients.

1. L'outil de base : Le DeepOnet (Le "Grand Mémoricien")

Les chercheurs utilisent d'abord une technologie existante appelée DeepOnet. Imaginez un élève très intelligent qui a lu des milliers de livres. Il est excellent pour relier des entrées (les ingrédients) à des sorties (le goût du plat).

Le problème : Cet élève a besoin de milliers de livres pour apprendre. Si vous ne lui donnez que 5 livres, il est perdu et fait des erreurs.

2. L'astuce magique : La "Dépendance à Court Terme" (Le "Sens de la suite")

Les chercheurs ont remarqué quelque chose de crucial : dans la nature, ce qui va se passer tout de suite dépend énormément de ce qui vient de se passer il y a une seconde.

L'analogie : Si vous lancez une balle, sa position dans une seconde dépend de sa position actuelle et de sa vitesse actuelle. Vous n'avez pas besoin de connaître la formule de la gravité pour savoir qu'elle va continuer à monter un tout petit peu avant de redescendre. C'est la dépendance à court terme.

3. La combinaison gagnante : Le "Cuisinier Physicien"

C'est ici que la magie opère. Les chercheurs ont créé un système hybride en deux étapes :

Étape A : L'assistant rapide. Ils entraînent d'abord un petit modèle d'intelligence artificielle (un "surrogate model") uniquement pour apprendre cette dépendance à court terme. C'est comme donner à l'apprenti cuisinier un petit guide qui lui dit : "Si tu as mis du sel il y a 5 secondes, le goût sera un peu salé maintenant." Ce petit modèle n'a besoin que de très peu de données pour apprendre cette règle simple.
Étape B : L'intégration. Ensuite, ils injectent ce "petit guide" dans le "Grand Mémoricien" (le DeepOnet).
- Au lieu de laisser le Grand Mémoricien deviner tout seul, on lui donne une règle physique : "Tu dois respecter cette dépendance à court terme que ton assistant a apprise."

C'est comme si vous donniez à l'élève non seulement les 5 livres restants, mais aussi un tutorat privé qui lui explique les lois de la cuisine (la physique) basées sur ce qu'il vient de voir.

Pourquoi est-ce si bien ?

Les chercheurs ont testé leur méthode sur trois systèmes différents (un pendule, un oscillateur et un système chaotique) avec très peu de données.

Sans bruit (données parfaites) : Leur méthode a été beaucoup plus précise que le DeepOnet classique. C'est comme si l'élève avec le tutorat cuisinait un gâteau parfait, tandis que l'élève seul avait un gâteau un peu brûlé.
Avec bruit (données imparfaites) : Dans la vraie vie, les mesures sont souvent "bruitées" (comme une photo floue ou un enregistrement avec des grésillements). Là encore, leur méthode a mieux résisté. Le "tutorat" a aidé l'IA à ne pas se laisser tromper par les erreurs de mesure.

En résumé

Imaginez que vous devez apprendre à conduire une voiture dans un pays où vous ne connaissez ni les règles de la route (pas de modèle mathématique) ni les panneaux (peu de données).

La méthode classique essaie de mémoriser chaque virage par cœur, mais elle échoue car elle n'a pas assez de pratique.
La méthode de cet article dit : "Attends, peu importe le virage, si tu tournes le volant à droite, la voiture va tourner à droite dans les 2 prochaines secondes." (C'est la dépendance à court terme).
En utilisant cette petite règle physique simple, l'IA peut apprendre à conduire très vite, même avec très peu d'essais, et rester stable même si la route est glissante (bruit).

Le message clé : Vous n'avez pas besoin de connaître toute la théorie ou d'avoir des montagnes de données pour prédire le futur d'un système complexe. Si vous comprenez comment le système se comporte "tout de suite après" (sa dépendance à court terme), vous pouvez combiner cette petite intuition avec une IA puissante pour obtenir des résultats excellents, même avec très peu d'informations.

1. Problématique

L'analyse des systèmes dynamiques non linéaires repose souvent sur deux piliers : des formules mathématiques précises (équations différentielles) ou de vastes ensembles de données expérimentales. Cependant, dans de nombreux cas réels, ces deux ressources sont limitées :

Manque de données : Les expériences sont coûteuses, limitant la quantité de données disponibles pour l'entraînement.
Incertitude du modèle : La forme exacte des équations régissant le système (les lois physiques) est inconnue ou partiellement connue (par exemple, on sait que le système est décrit par une EDO d'ordre $n$ , mais la fonction $F$ spécifique est inconnue).

Les réseaux de neurones opératoires profonds (DeepONet) existants, bien qu'efficaces pour apprendre des opérateurs non linéaires, dépendent généralement de grandes quantités de données. À l'inverse, les réseaux de neurones informés par la physique (PINN) nécessitent la connaissance explicite des équations physiques. L'objectif de cet article est de combler ce vide en proposant une méthode capable d'estimer l'état de systèmes dynamiques non linéaires avec peu de données et sans connaissance exacte du modèle mathématique.

2. Méthodologie

Les auteurs proposent un cadre hybride : un Deep Operator Network (DeepOnet) informé par la physique, sans modèle et piloté par les données. La méthodologie se décompose en trois étapes clés :

A. Exploitation de la dépendance à court terme

Basés sur leur recherche précédente, les auteurs utilisent le théorème de la dépendance à court terme. Pour un système dynamique non linéaire d'ordre $n$ (décrit par une EDO), l'état actuel $x(t)$ dépend uniquement des $n$ états et entrées précédents ( $x(t-n) \dots x(t-1)$ et $u(t-n) \dots u(t-1)$ ), à condition que la période d'échantillonnage soit suffisamment petite.

Au lieu d'utiliser l'équation physique inconnue, ils modélisent cette relation de dépendance comme une fonction $\gamma$ .

B. Apprentissage d'un modèle substitut (Surrogate Model)

Pour capturer cette dépendance à court terme, un modèle d'apprentissage automatique (un Réseau de Neurones à Propagation Avant, FFNN) est entraîné sur les données limitées disponibles.

Entrées du FFNN : Les états passés et les entrées de contrôle passés.
Sortie du FFNN : La valeur de la dérivée d'ordre le plus élevé ( $d^n x / dt^n$ ) ou l'état futur immédiat.
Ce modèle agit comme un « substitut » des lois physiques inconnues.

C. Intégration dans l'architecture DeepOnet

Le DeepOnet est structuré avec deux réseaux :

Branch Net (Réseau de branche) : Encode l'état initial et la séquence des entrées de contrôle.
Trunk Net (Réseau de tronc) : Encode les coordonnées spatio-temporelles (ici, le temps $t$ ).

La contribution majeure réside dans la fonction de perte (Loss Function) :

Perte de données ( $L_{data}$ ) : Mesure l'erreur entre la prédiction du DeepOnet et les observations réelles.
Perte informée par la physique ( $L_{P}$ ) : Au lieu d'imposer une équation différentielle connue, cette perte compare la dérivée d'ordre $n$ $n$ calculée par différentiation automatique sur la sortie du DeepOnet avec la prédiction faite par le modèle substitut (FFNN) entraîné précédemment.
- Cela force le DeepOnet à respecter la dynamique à court terme apprise par le FFNN, agissant ainsi comme une contrainte physique sans connaître l'équation exacte.

3. Contributions Clés

Approche « Sans Modèle » (Model-Free) : La méthode ne nécessite pas la connaissance explicite de la fonction $F$ dans l'EDO, seulement l'ordre du système.
Efficacité avec peu de données : En intégrant la dépendance à court terme comme contrainte physique, le modèle nécessite beaucoup moins de données d'entraînement que le DeepOnet standard.
Robustesse au bruit : La méthode intègre des filtres (comme le filtre de Savitzky-Golay) pour traiter les données bruitées, démontrant une meilleure stabilité que les approches classiques.
Architecture Hybride : Fusion réussie de la capacité d'approximation universelle des DeepONet avec la régularisation physique fournie par un modèle d'apprentissage automatique dérivé des données.

4. Résultats Expérimentaux

Les auteurs ont validé leur méthode sur trois systèmes dynamiques d'ordres différents, en comparant leurs résultats à ceux d'un DeepONet standard (benchmark) :

Système Pendule (2ème ordre) :
- Entraîné avec seulement 5 jeux de données.
- Résultat : L'erreur absolue moyenne (MAE) de la méthode proposée est de 6,23 contre 17,98 pour le DeepONet standard (données sans bruit). Avec du bruit, l'écart reste significatif (7,57 vs 19,27).
Oscillateur Forcé (2ème ordre, instable marginalement) :
- Résultat : La méthode proposée obtient un MAE de 16,69 contre 36,22 pour le DeepONet. La méthode proposée suit plus fidèlement les tendances réelles, même sur des jeux de données de test non vus.
Système Chaotique Jerk (3ème ordre) :
- Système complexe avec comportement chaotique.
- Résultat : Sur données sans bruit, la méthode proposée a un MAE de 19,8 contre 10,5 pour le DeepONet (note : ici le DeepONet a eu une performance surprenante sur ce cas spécifique sans bruit, mais la méthode proposée reste compétitive). Cependant, avec du bruit, la méthode proposée surpasse nettement le DeepONet (MAE de 18,7 contre 22,2), démontrant une meilleure robustesse dans des conditions réalistes.

5. Signification et Conclusion

Cet article représente une avancée significative pour l'estimation d'état hors ligne dans les systèmes dynamiques complexes.

Impact pratique : La méthode permet de modéliser des systèmes réels où les équations sont trop complexes pour être dérivées analytiquement et où les données expérimentales sont rares ou bruitées.
Innovation conceptuelle : Elle redéfinit la notion de « physique » dans l'apprentissage automatique : au lieu d'imposer des lois connues, elle extrait les lois implicites (dépendances temporelles) directement des données via un modèle substitut.
Perspective : Cette approche ouvre la voie à des applications dans des domaines où la modélisation physique est incertaine (biologie, climatologie, ingénierie de systèmes complexes), offrant un compromis optimal entre la flexibilité des données et la rigueur des contraintes physiques.