Wildfire Simulation with Differentiable Randers-Finsler Eikonal Solvers

1. Problématique et Contexte

L'équation d'Eikonal, qui régit la propagation des fronts d'onde dans des milieux isotropes, est un outil fondamental en géométrie computationnelle et en physique. Cependant, de nombreuses applications réelles, telles que la propagation des incendies de forêt, la sismologie ou la robotique, impliquent des phénomènes anisotropes (la vitesse dépend de la direction) et asymétriques (existence d'un dérive, comme le vent).

Le défi majeur réside dans la résolution du problème inverse : étant donné des temps d'arrivée observés (par exemple, la progression d'un incendie), comment retrouver les paramètres sous-jacents du milieu de propagation (métrique anisotrope et champ de dérive) ?

Les solveurs classiques (Fast Marching, Fast Sweeping) ne sont pas directement différentiables car ils impliquent des choix discrets (sélection de "stencils" ou motifs de voisinage) et des structures de données dépendantes des données (files de priorité), ce qui empêche la rétropropagation standard des gradients dans les réseaux de neurones.

2. Méthodologie

Les auteurs proposent un cadre complet pour apprendre des paramètres de propagation spatialement variables à partir de données d'observation, en combinant une résolution rapide et une différenciation implicite.

A. Formulation Mathématique : Équation d'Eikonal Randers-Finsler

Le modèle utilise une métrique de Randers-Finsler pour généraliser l'équation d'Eikonal standard :
$$(\nabla T - b)^\top G^{-1} (\nabla T - b) = 1$$
Où :

• $T(x)$ est le champ de temps d'arrivée.
• $G(x)$ est un tenseur métrique symétrique défini positif (capturant l'anisotropie, ex: pente du terrain).
• $b(x)$ est un vecteur de dérive (capturant l'asymétrie, ex: vent).
  Cette formulation permet de modéliser des fronts d'onde elliptiques et asymétriques, essentiels pour simuler la propagation du feu.

B. Solveur Avant (Forward Solver) : Balayage Rapide (Fast Sweeping)

Pour résoudre l'équation sur une grille cartésienne, les auteurs utilisent une variante du Fast Sweeping Method (FSM) :

• Parallélisation : Au lieu d'une mise à jour séquentielle, ils utilisent une décomposition par colonnes/lignes permettant de traiter des lignes entières simultanément, rendant l'algorithme compatible avec les GPU.
• Convergence : L'algorithme converge en 2 à 3 itérations, indépendamment de la taille de la grille, offrant une complexité $O(n)$ par itération.
• Stencils : À chaque nœud, le solveur sélectionne le meilleur "stencil" triangulaire parmi huit candidats possibles pour garantir la causalité (mise à jour par les voisins amont).

C. Solveur Arrière (Backward Pass) : Différenciation Implicite

C'est la contribution centrale pour l'apprentissage. Au lieu de dérouler les itérations (ce qui serait coûteux en mémoire et instable à cause des choix discrets), les auteurs appliquent le théorème des fonctions implicites sur la solution convergée $R(T, \theta) = 0$.

• Système Adjoint : Le gradient par rapport aux paramètres $\theta$ (métrique $G$ et dérive $b$) est obtenu en résolvant un système linéaire creux et triangulaire (le système adjoint).
• Efficacité : Ce système est résolu par une seule substitution arrière dans l'ordre décroissant des temps d'arrivée, évitant le stockage des états intermédiaires.
• Gestion de la non-différentiabilité : Bien que la sélection de stencil soit discontinue, les auteurs démontrent que les points de non-différentiabilité (les frontières entre stencils) forment un ensemble de mesure nulle. Les gradients restent stables sous de petites perturbations, permettant une convergence robuste via la descente de sous-gradient stochastique.

D. Application : Modélisation des Incendies (Sim2Real-Fire)

Un réseau de neurones encode les covariables environnementales (topographie, végétation, météo) pour prédire les paramètres de la métrique Randers ($G, b$). Le solveur calcule ensuite les temps d'arrivée prédits, et l'erreur par rapport aux données réelles (ou simulées) est minimisée via la rétropropagation des gradients calculés par différenciation implicite.

3. Contributions Clés

1. Solveur Eikonal Différentiable Randers-Finsler : Combinaison du Fast Sweeping (rapide, GPU-friendly) et de la différenciation implicite pour des métriques anisotropes et asymétriques.
2. Analyse Théorique de la Non-Lissité : Preuve que les discontinuités dues à la sélection de stencil sont de mesure nulle et que les gradients sont stables, validant l'usage de la différenciation implicite même avec des opérateurs discrets.
3. Validation Numérique Rigoureuse :
   • Précision du solveur avant : erreur relative < 1% sur des configurations isotropes, anisotropes et Randers-Finsler.
   • Vérification des gradients : accord exact avec les différences finies à l'intérieur des régions de stencil, avec une stabilité < 1% même en traversant les frontières.
4. Résolution de Problèmes Inverses : Capacité à récupérer des métriques isotropes (erreur ~5,6%) et des champs de dérive (erreur < 3%) à partir de temps d'arrivée observés. L'utilisation de sources multiples réduit l'erreur de 45% grâce à des contraintes géométriques complémentaires.
5. Application Réelle (Wildfire) : Démonstration sur le jeu de données Sim2Real-Fire, montrant une généralisation intra-scène (corrélation 0,824) et inter-scène (corrélation 0,766) réussie, prouvant que le modèle apprend la physique de propagation plutôt que de mémoriser des lieux spécifiques.

4. Résultats Expérimentaux

• Efficacité Computationnelle :
  • Le solveur avant est jusqu'à 1400 fois plus rapide que l'itération de Jacobi.
  • La différenciation implicite est 755 fois plus rapide que le calcul de gradients par différences finies.
  • Le temps de passage arrière est environ 3 fois celui du passage avant, rendant l'optimisation par gradient pratique.
• Performance sur Incendies :
  • Le modèle apprend des cartes de métriques spatialement variables à partir de données environnementales.
  • Les résultats montrent que la capacité du modèle (architecture CNN) n'est pas le facteur limitant, mais plutôt la capacité à apprendre des mappings généralisables entre les covariables et la physique de propagation.
  • Le transfert "Simulation vers Réel" fonctionne bien : un modèle entraîné sur des données simulées (FARSITE) transfère ses connaissances à des incendies réels observés par satellite sans ajustement fin (zero-shot), atteignant des corrélations de rang (Spearman) d'environ 0,70.

5. Signification et Impact

Ce travail comble un fossé important entre les méthodes numériques classiques (rapides mais non différentiables) et l'apprentissage profond (flexible mais souvent coûteux en calcul pour les PDE).

• Pour la Science des Données Physiques : Il offre une nouvelle primitive pour l'apprentissage de paramètres dans des systèmes gouvernés par des équations aux dérivées partielles (PDE) hyperboliques, en particulier pour les problèmes inverses complexes.
• Pour la Gestion des Catastrophes : La capacité à apprendre des modèles de propagation de feu à partir de données réelles, en intégrant la physique sous-jacente (Randers-Finsler), ouvre la voie à des systèmes de prévision plus précis et à la reconstruction de scénarios d'incendie passés pour l'analyse des risques.
• Généralité : Bien que démontré sur les incendies, la méthode est applicable à la tomographie sismique, à l'imagerie médicale (DTI) et à la planification de trajectoires en robotique.

En résumé, l'article présente une avancée méthodologique majeure en rendant les solveurs Eikonal anisotropes "end-to-end" différentiables, permettant ainsi l'apprentissage de lois physiques complexes directement à partir de données observées.