Engineering-Oriented Symbolic Regression: LLMs as Physics Agents for Discovery of Simulation-Ready Constitutive Laws

Cette étude propose un cadre de régression symbolique orienté ingénierie utilisant des agents LLM pour découvrir de nouvelles lois constitutives hyperélastiques, simulation-ready et thermodynamiquement cohérentes, qui surpassent les modèles industriels en précision et en stabilité numérique.

L'essentiel

🧱 Le Problème : La recette qui fonctionne en cuisine, mais qui fait exploser le four

Imaginez que vous essayez de créer une recette magique pour prédire comment un matériau (comme du caoutchouc) se comporte quand on l'étire, le tord ou l'écrase.

Jusqu'à présent, les scientifiques avaient deux options, et aucune n'était parfaite :

1. L'approche "Data-Driven" (Données brutes) : C'est comme essayer de deviner la recette en goûtant des millions de fois un plat différent. Ça peut être très précis, mais ça demande des équipements de laboratoire ultra-chers et des données énormes. De plus, la recette finale ressemble souvent à une "boîte noire" incompréhensible : on sait que ça marche, mais on ne sait pas pourquoi.
2. L'approche "Ingénierie Classique" : C'est comme utiliser une recette de grand-mère standard (ex: "Mélangez 2 œufs et 1 tasse de farine"). C'est simple et facile à utiliser. Mais le problème, c'est que si vous essayez de cuire ce gâteau dans un four trop chaud (une situation extrême que la recette n'a jamais vue), le gâteau peut s'effondrer ou le four peut exploser. En science, cela signifie que les modèles mathématiques fonctionnent bien pour les tests simples, mais échouent lamentablement dans les simulations informatiques complexes, causant des erreurs de calcul catastrophiques.

🤖 La Solution : Un "Chef Cuisinier" intelligent (L'IA)

Les auteurs de cette étude ont créé un nouveau système appelé EO-SR. Imaginez-le comme un Chef Cuisinier Robotique (une Intelligence Artificielle) qui ne se contente pas de copier des recettes, mais qui comprend les lois de la physique.

Voici comment cela fonctionne, étape par étape :

1. Le Chef qui connaît les règles du jeu (L'Agent Physique)

Habituellement, les ordinateurs cherchent des formules mathématiques en faisant des millions de combinaisons au hasard, un peu comme un enfant qui lance des lettres pour former des mots. Souvent, ils trouvent des mots qui ont du sens pour l'oreille, mais qui n'ont aucun sens pour la physique (comme une recette qui dit "ajoutez du feu liquide").

Dans ce nouveau système, le "Chef" (une grande intelligence artificielle) intervient avant même que la recherche ne commence. Il dit :

"Attends ! Avant de chercher la recette, souviens-toi des règles de la cuisine : la chaleur ne peut pas disparaître, et le gâteau ne peut pas devenir plus mou quand on le presse. Si ta recette viole ces règles, je la jette à la poubelle immédiatement."

C'est ce qu'on appelle l'agent informé par la physique. Il transforme des concepts abstraits (comme "la stabilité thermodynamique") en règles strictes que le chercheur doit suivre.

2. La découverte d'une nouvelle recette (La Loi Constitutive)

Le système a été testé sur du caoutchouc. Il a cherché la meilleure équation pour prédire son comportement.

• Les anciennes recettes (comme le modèle "Ogden") étaient comme des gâteaux très sucrés : ils étaient délicieux quand on les mangeait (précis sur les données d'entraînement), mais ils devenaient toxiques si on les mangeait trop vite (instables en simulation).
• La nouvelle recette découverte par l'IA est un mélange intelligent. Elle combine une base simple et solide (comme la farine de base) avec un ingrédient spécial qui agit comme un frein de sécurité.

Imaginez que le caoutchouc est un élastique. Quand on l'étire un peu, il est souple. Mais quand on l'étire trop, les chaînes de molécules se tendent au maximum et deviennent rigides. La nouvelle recette de l'IA inclut mathématiquement ce "mur" rigide. Elle dit : "Tu peux étirer jusqu'ici, mais pas plus, sinon ça casse."

3. Le test du "Four à haute pression" (La Simulation)

Pour prouver que leur recette était la meilleure, les chercheurs ont lancé un test extrême : ils ont simulé l'étirement d'un échantillon de caoutchouc avec des entailles (des points faibles) dans un logiciel de simulation complexe.

• Le résultat des anciennes recettes : Le logiciel a planté. Pourquoi ? Parce que dans les zones où le caoutchouc était comprimé (écrasé), l'ancienne recette disait mathématiquement que la matière devenait "infiniment dure" d'une manière absurde, ce qui a fait exploser le calcul.
• Le résultat de la nouvelle recette : La simulation a réussi sans accroc. La nouvelle équation, grâce à son "frein de sécurité" intelligent, a maintenu la stabilité même dans les situations les plus difficiles.

🌟 En résumé : Pourquoi c'est génial ?

Cette recherche nous dit que l'IA ne doit pas seulement être un outil pour trouver des motifs dans les données (comme un détective qui cherche des indices). Elle doit aussi être un gardien de la logique (comme un juge qui vérifie que les lois sont respectées).

En utilisant l'IA comme un "Agent Physique", les chercheurs ont réussi à :

1. Éviter les pièges : Ils n'ont pas laissé l'ordinateur inventer des formules mathématiquement possibles mais physiquement impossibles.
2. Créer du "prêt-à-simuler" : Le modèle découvert est non seulement précis, mais il est aussi robuste. Il peut être utilisé dans l'industrie (pour concevoir des pneus, des prothèses médicales, etc.) sans craindre que le logiciel de conception ne plante au moment critique.
3. Comprendre le "Pourquoi" : Contrairement aux boîtes noires, la formule trouvée a un sens physique clair (elle explique le durcissement du caoutchouc).

C'est comme passer d'un apprenti qui devine les ingrédients au hasard, à un Chef étoilé qui crée une recette parfaite, sûre et délicieuse, en respectant scrupuleusement les lois de la chimie et de la physique.

Résumé technique

1. Problématique et Contexte

La découverte de lois constitutives pour les matériaux complexes (comme les élastomères) fait face à une dichotomie historique entre deux approches, chacune présentant des limites majeures pour l'ingénierie :

• Approches Data-Driven à Haute Fidélité : Elles utilisent des données expérimentales riches (ex: corrélation d'images numériques) et des réseaux de neurones (PINNs). Bien qu'elles capturent des comportements complexes, elles nécessitent des équipements coûteux, des pipelines de traitement spécialisés et produisent souvent des modèles « boîtes noires » manquant d'interprétabilité physique.
• Ajustement Ingénierie Traditionnel : Il repose sur l'ajustement de modèles analytiques prédéfinis (Ogden, Yeoh, Mooney-Rivlin) à des données de traction uniaxiale ou biaxiale standard. Bien que simples et intégrés aux logiciels éléments finis (FE), ces modèles souffrent d'un « fossé ajustement-simulation ». Optimisés uniquement pour minimiser l'erreur de fitting (MSE), ils peuvent violer des contraintes thermodynamiques fondamentales (comme la stabilité de Drucker) en dehors de la plage de calibration. Cela entraîne des instabilités numériques, des singularités et des échecs de convergence dans les simulations complexes (ex: compression transverse sévère).

Le défi central : Comment découvrir des lois constitutives à partir de données industrielles standard (faible coût) qui soient à la fois précises, interprétables et numériquement robustes (garantissant la convergence des solveurs FE) ?

2. Méthodologie : Le Cadre EO-SR

Les auteurs proposent un cadre de Régression Symbolique Orientée Ingénierie (EO-SR) qui utilise les Grands Modèles de Langage (LLM) non pas comme des générateurs de texte, mais comme des « Agents Informés par la Physique ».

Architecture Modulaire

Le framework se compose de trois modules couplés :

1. Analyseur de Données : Standardise les entrées expérimentales hétérogènes en tenseurs numériques.
2. Injecteur de Compétences (Skill Injector) : Cœur du système. Un LLM (Gemini Pro) agit comme un expert du domaine. À partir d'une description naturelle (ex: « Hyperélasticité isotrope »), il génère en zero-shot un tuple de compétences $S = (T, O, C)$ :
   • $T$ (Transformation) : Définit l'espace des caractéristiques physiques objectives (ex: invariants de Cauchy-Green).
   • $O$ (Opérateurs) : Définit un ensemble d'opérateurs mathématiques admissibles (ex: exclusion des fonctions périodiques pour éviter le ramollissement non physique).
   • $C$ (Contraintes) : Génère des inégalités physiques (ex: convexité de l'énergie, stabilité de Drucker).
3. Moteur d'Évolution Symbolique : Exécute un algorithme génétique pour optimiser la fonction $f$ en minimisant une fonction de perte composite :
   $$\min L = L_{fit} + \lambda_{reg}\Omega(f) + \sum \lambda_c P(c, f)$$
   Où $P(c, f)$ est une pénalité (fonction ReLU) appliquée si les contraintes physiques (comme la positivité du Hessien) sont violées.

Sélection Assistée par Agent

Contrairement aux méthodes classiques qui choisissent le modèle selon le « coude » de la courbe d'erreur, l'EO-SR utilise un agent LLM pour auditer les candidats top-k. L'agent privilégie les structures mathématiques intrinsèquement stables (ex: termes rationnels garantissant la convexité) plutôt que des polynômes d'ordre élevé qui pourraient osciller, assurant ainsi la robustesse pour la simulation.

3. Contributions Clés

1. Architecture de Découverte Basée sur les Compétences : Transformation de la régression symbolique d'un simple ajusteur de courbes en un moteur de découverte gouverné par la physique, grâce à la génération automatique de contraintes par un LLM.
2. Combler le Fossé Ajustement-Simulation : Démonstration que l'injection de contraintes thermodynamiques (stabilité de Drucker) dans la fonction de perte permet de découvrir des lois stables en analyse éléments finis (FEA), éliminant les risques numériques des modèles traditionnels.
3. Découverte d'une Forme Optimale Hybride : Identification d'une nouvelle loi constitutive combinant une base linéaire de type Mooney-Rivlin avec un terme rationnel de verrouillage, surpassant les standards industriels en généralisation et robustesse.

4. Résultats et Validation

L'étude a été validée sur la modélisation hyperélastique de matériaux caoutchouteux en utilisant les données de référence Treloar (traction uniaxiale et biaxiale).

• Découverte du Modèle (Eq16) :
  Le framework a identifié un modèle hybride :
  $$W(\tilde{I}_1, \tilde{I}_2) = 0.031(3.75\tilde{I}_1 + \tilde{I}_2) + \frac{\tilde{I}_1}{77.9 - 1.05\tilde{I}_1}$$

  • Le premier terme correspond à la linéarité élastique (Mooney-Rivlin).
  • Le second terme est une fonction rationnelle avec une singularité, agissant comme une fonction de verrouillage (type Gent) représentant la limite d'extensibilité finie des chaînes polymères.

• Performance et Généralisation :

  • Ajustement : Le modèle atteint une erreur quadratique moyenne (MSE) très faible sur les données d'entraînement, comparable aux modèles Ogden d'ordre élevé, mais avec une structure beaucoup plus parcimonieuse.
  • Généralisation Zero-Shot : Sur des données de cisaillement pur (non utilisées pour l'entraînement), le modèle prédit avec une grande précision, tandis que les modèles polynomiaux (Yeoh) surestiment la rigidité (surajustement).

• Stabilité Thermodynamique et Robustesse Numérique :

  • Convexité : Le modèle Eq16 présente une surface d'énergie strictement convexe (Hessien défini positif), garantissant la stabilité. En revanche, une solution non contrainte (Sqrt-Eq) plus précise en MSE présentait des zones de courbure négative (instabilité).
  • Validation par Éléments Finis (FEM) :
    • Le modèle Eq16 a réussi une simulation de traction sur un éprouvette entaillée avec de grandes déformations, maintenant une convergence stable même sous compression transverse sévère.
    • Le modèle standard Ogden (N=3) a échoué (divergence du solveur) dans la même configuration. L'analyse a révélé que les paramètres d'Ogden, optimisés uniquement pour la traction, créaient une singularité numérique sous compression (exposant négatif entraînant une rigidité infinie), un « point aveugle » que l'EO-SR a évité grâce aux contraintes physiques.

5. Signification et Perspectives

Cet article établit un nouveau paradigme pour l'IA scientifique (« AI for Science ») :

• Rôle des LLM : Les modèles de base ne sont plus de simples assistants de codage, mais des gardien de la cohérence théorique. Ils traduisent des principes abstraits (indifférence au cadre, stabilité thermodynamique) en contraintes logiques exécutables.
• Modèles « Prêts pour la Simulation » : L'étude démontre que la robustesse numérique n'est pas un détail d'implémentation, mais un critère fondamental de découverte. Un modèle doit être physiquement valide pour être utilisable dans des solveurs complexes.
• Généralisabilité : L'architecture modulaire « Skill Injector » est conçue pour s'étendre à d'autres domaines (plasticité, tissus anisotropes, dynamique des fluides), permettant de découvrir des lois constitutives pour des systèmes complexes sans nécessiter de données expérimentales coûteuses, tout en respectant rigoureusement les lois de la physique.

En résumé, l'EO-SR réussit à combiner la flexibilité de l'apprentissage automatique avec la rigueur de la mécanique des milieux continus, produisant des modèles mathématiquement robustes, physiquement interprétables et directement applicables en ingénierie.