A solver-in-the-loop framework for end-to-end differentiable coastal hydrodynamics

Cet article présente AegirJAX, un résolveur hydrodynamique entièrement différentiable intégré dans un cadre d'apprentissage automatique qui permet de résoudre efficacement des problèmes inverses complexes en ingénierie côtière, tels que l'estimation des bathymétries et l'optimisation de structures, en unifiant simulation directe et optimisation.

L'essentiel

🌊 AegirJAX : Le "Super-Cerveau" qui apprend à prédire les vagues

Imaginez que vous essayez de prédire comment une vague de tsunami va frapper une côte, ou comment construire un brise-lames parfait pour protéger un port. Traditionnellement, les ingénieurs utilisent des modèles mathématiques complexes (des "solveurs") pour simuler ces phénomènes. C'est comme si vous aviez un robot très rigide qui suit un manuel d'instructions strict : il calcule la trajectoire de l'eau, mais il ne peut pas "apprendre" de ses erreurs ni s'adapter facilement si on lui demande de faire l'inverse (par exemple, deviner la forme du fond de l'océan à partir des vagues observées).

C'est là qu'intervient AegirJAX, le sujet de cet article. C'est un nouveau type de logiciel, créé par des chercheurs de l'Université Memorial de Terre-Neuve, qui combine la physique des fluides avec l'intelligence artificielle (IA).

Voici comment cela fonctionne, avec quelques analogies :

1. Le problème : Le mur de verre de la "Rétro-ingénierie"

Normalement, si vous voulez optimiser quelque chose (comme la forme d'un brise-lames), vous devez faire des milliers de simulations, changer un petit détail, voir ce qui se passe, et recommencer. C'est lent et coûteux.
Pour faire l'inverse (trouver la cause d'un effet), les méthodes traditionnelles sont comme essayer de remonter une rivière à la nage : c'est extrêmement difficile, parfois impossible, et si vous faites une erreur de calcul, tout s'effondre. C'est ce qu'on appelle le problème des "équations adjointes" : trop compliqué à dériver à la main pour chaque nouveau modèle.

2. La solution : AegirJAX, le simulateur "réversible"

Les auteurs ont créé AegirJAX en utilisant une technologie appelée différentiation automatique.

• L'analogie du film : Imaginez que votre simulation de vague est un film. Les méthodes classiques ne peuvent regarder le film que dans le sens de l'avant. AegirJAX, lui, peut lire le film dans les deux sens. Il peut non seulement simuler la vague, mais aussi, en regardant le résultat final, dire exactement : "Ah, si j'avais changé ce paramètre ici, le résultat aurait été parfait".
• Le résultat : Cela transforme un problème de "devinette" en un problème de "puzzle" que l'ordinateur peut résoudre instantanément en suivant les gradients (les pistes mathématiques) à l'envers.

3. Les quatre super-pouvoirs d'AegirJAX

L'article montre quatre façons incroyables d'utiliser ce système :

• 🧩 Le correcteur d'erreurs (Apprentissage des "zones d'ombre")
  Les modèles physiques simplifiés font souvent des erreurs (comme ne pas voir les petites vagues qui se dispersent).

  • L'analogie : Imaginez un élève en mathématiques qui a du mal avec les fractions. AegirJAX ajoute un "tuteur IA" à côté de lui. Ce tuteur ne remplace pas l'élève, il lui donne juste un petit coup de pouce (une correction) là où il se trompe.
  • Résultat : Le modèle devient ultra-précis sans avoir besoin de devenir beaucoup plus complexe. Il apprend à corriger ses propres erreurs en regardant les données réelles.

• 🏗️ L'architecte autodidacte (Optimisation de formes)
  Au lieu de dessiner un brise-lames et de tester s'il fonctionne, on demande à l'ordinateur : "Trouve-moi la forme parfaite pour protéger ce port avec cette quantité de béton".

  • L'analogie : C'est comme si vous demandiez à un sculpteur de transformer un bloc de marbre en une statue parfaite en le taillant directement sous l'effet de la vague, plutôt que de dessiner des plans. L'ordinateur "façonne" la forme du brise-lames (ou la forme du fond marin) pour obtenir le résultat idéal, tout en respectant les lois de la physique.

• 🎛️ Le chef d'orchestre des vagues (Contrôle actif)
  Imaginez un système qui peut créer des vagues opposées pour annuler une vague dangereuse (comme le bruit actif dans des écouteurs, mais pour l'océan).

  • L'analogie : C'est un chef d'orchestre qui écoute la symphonie des vagues en temps réel et donne des ordres instantanés à des haut-parleurs (des générateurs de vagues) pour créer une "vague fantôme" qui s'annule avec la vraie. Grâce à AegirJAX, le chef d'orchestre apprend à jouer parfaitement en quelques secondes, au lieu de passer des années à répéter par essais et erreurs.

• 🔍 Le détective du fond marin (Inversion de données)
  Souvent, on ne voit pas le fond de l'océan ni ce qui s'y passe (comme un glissement de terrain sous-marin). On ne voit que les vagues qui arrivent sur la côte.

  • L'analogie : C'est comme essayer de deviner la forme d'un objet caché sous un drap en regardant seulement comment le drap bouge. AegirJAX utilise les vagues observées pour "remonter le temps" et reconstruire avec précision la forme du fond marin ou le mouvement du glissement de terrain qui a causé le tsunami.

4. Pourquoi c'est important ?

Avant, faire ces calculs inversés prenait des semaines ou était impossible. Avec AegirJAX, tout devient fluide et rapide.

• On peut concevoir des ports plus sûrs.
• On peut mieux prévoir les tsunamis.
• On peut nettoyer des marées noires en sachant exactement où elles viennent.

En résumé :
AegirJAX est comme un pont magique entre la physique rigoureuse (les lois de l'eau) et l'intelligence artificielle flexible. Il permet aux ordinateurs de ne pas seulement simuler la nature, mais de comprendre et optimiser la nature en temps réel, en utilisant la puissance de l'apprentissage automatique pour résoudre les problèmes les plus complexes de l'ingénierie côtière.

C'est une révolution qui promet de rendre nos côtes plus sûres et nos constructions plus intelligentes, en apprenant directement des données réelles plutôt que de se fier uniquement à des théories figées.

Résumé technique

1. Problématique

La simulation numérique de la propagation des vagues et du ruissellement côtier est fondamentale pour l'ingénierie côtière et l'évaluation des risques de tsunami. Cependant, l'application de ces modèles « directs » (forward models) à des problèmes inverses (estimation de la bathymétrie, inversion de la source, optimisation structurelle) se heurte à des obstacles majeurs :

• Rigidité des méthodes adjointes : La dérivation et l'implémentation d'équations adjointes discrètes pour des solveurs complexes, non linéaires et non hydrostatiques sont extrêmement laborieuses, sujettes aux erreurs et coûteuses en temps de développement.
• Problèmes de discontinuité : Les traitements numériques standards des phénomènes discontinus, tels que les lignes de rivage mobiles (zones humides/sèches) ou les conditions aux limites, utilisent souvent des drapeaux booléens. Ces opérations brisent le flux de gradients, rendant l'optimisation basée sur le gradient mathématiquement mal posée près des côtes.
• Coût computationnel : Les méthodes traditionnelles d'optimisation (sans gradient) ou les approches purement basées sur les données (réseaux de neurones) peinent à capturer les phénomènes multi-échelles ou à respecter les lois de conservation de la physique.

2. Méthodologie : AegirJAX

Les auteurs présentent AegirJAX, un solveur hydrodynamique entièrement différentiable basé sur les équations de Saint-Venant non hydrostatiques intégrées en profondeur.

Principes clés de l'architecture :

• Programmation Différentiable (Differentiable Programming) : Le solveur est implémenté intégralement dans JAX, un framework supportant la différenciation automatique en mode inverse (reverse-mode). Cela transforme la boucle de physique temporelle en un graphe de calcul continu, permettant la rétropropagation exacte des gradients à travers le temps, depuis les observations jusqu'aux paramètres d'entrée, aux conditions aux limites ou aux poids d'un réseau de neurones.
• Équations gouvernantes : Le modèle résout les équations de conservation de la masse et de la quantité de mouvement, avec une composante de pression non hydrostatique calculée implicitement pour capturer la dispersion des vagues.
• Discrétisation et stabilité :
  • Utilisation d'une grille décalée d'Arakawa C.
  • Schéma prédicteur-correcteur fractionné (hydrostatique puis non hydrostatique).
  • Condition humide/sec différentiable : Pour éviter la rupture des gradients due aux seuils booléens, les auteurs remplacent les drapeaux discrets par une fonction de masquage continue (sigmoïde) qui module les forces injectées. Cela permet une transition douce aux limites mobiles tout en préservant la stabilité numérique.
  • Solveurs linéaires accélérés : Adaptation des solveurs de Poisson pour la pression non hydrostatique (solveur tridiagonal exact en 1D, Bi-CGSTAB avec préconditionneur Jacobi parallélisable en 2D) pour éviter les goulots d'étranglement séquentiels.

Intégration du Machine Learning :
Le cadre permet d'insérer des réseaux de neurones directement dans la boucle de résolution physique sous forme de termes de force correctifs (accélérations) ou de paramètres apprenables (topographie, sources).

3. Contributions Clés et Applications

L'article démontre la polyvalence d'AegirJAX à travers quatre domaines d'application scientifiques :

A. Découverte de modèles et correction physique

Le solveur apprend à corriger les erreurs de troncature et les physiques sous-maille manquantes (ex: dispersion) :

• Benchmark Beji-Battjes : Correction des ondes dispersives (super-harmoniques) via un réseau neuronal convolutif qui prédit un potentiel de pression. Réduction de l'erreur quadratique moyenne (MSE) de 85,9 % à 90,8 % par rapport au solveur de base.
• Benchmark Monai Valley : Correction d'un solveur hydrostatique grossier pour un tsunami réel complexe. Le modèle hybride corrige les amplitudes et les réflexions secondaires, réduisant l'erreur de 94,2 %.
• Benchmark Conical Island : Démonstration de la généralisation « zero-shot ». Entraîné sur des cas extrêmes (petites et grandes vagues), le modèle corrige avec succès un cas intermédiaire non vu, prouvant qu'il apprend une paramétrisation physique généralisable et non une simple mémorisation de trajectoires.

B. Optimisation topologique et conception inverse

• Optimisation de position : Déplacement et rotation d'une porte de brise-lames rigide pour minimiser l'énergie cinétique dans un port, en utilisant une rasterisation continue (champ de distance signé) pour rendre le mouvement du corps solide différentiable.
• Optimisation topologique continue : Conception de la forme optimale d'un brise-lames à partir de zéro avec un volume de matériau fixe. L'algorithme découvre automatiquement une bermes offshore courbe qui réfracte efficacement l'énergie des vagues, surpassant les méthodes heuristiques.

C. Contrôle actif en boucle (Active Control)

• Annulation de vagues : Entraînement d'une politique de contrôle récurrente (GRU) pour générer des interférences destructives et annuler les vagues entrantes dans un port protégé.
• Efficacité : La politique apprend à anticiper la phase et l'amplitude des vagues. Sur un cas de test non vu, elle réduit l'énergie totale entrant dans le port de plus de 97 %, surpassant les méthodes d'apprentissage par renforcement sans modèle (model-free) qui sont moins efficaces en échantillonnage.

D. Inversion de source et estimation de paramètres

• Estimation de bathymétrie : Reconstruction de la forme d'une barre sous-marine à partir de données de jauges en aval, en paramétrant la profondeur via un réseau de neurones (MLP).
• Inversion de glissement sous-marin : Estimation simultanée de la cinématique (accélération) et de la forme spatiale d'un glissement de terrain sous-marin à partir des ondes générées.
• Localisation de source passive : Localisation précise d'une fuite chimique (traceur) dans un écoulement complexe en utilisant les gradients exacts de l'équation d'advection-diffusion, contournant l'ill-posedness des méthodes adjointes continues pour la diffusion.

4. Résultats

• Précision : Les modèles hybrides (physique + ML) surpassent systématiquement les solveurs de base (hydrostatiques ou grossiers) en termes de précision (réduction massive du MSE).
• Généralisation : Le cadre permet une interpolation efficace entre des régimes d'entraînement, prouvant que le solveur apprend la physique sous-jacente plutôt que de mémoriser des données.
• Efficacité de l'optimisation : Les problèmes d'optimisation topologique et de contrôle sont résolus de manière end-to-end avec des gradients exacts, éliminant le besoin de méthodes d'optimisation sans gradient coûteuses.
• Limites identifiées : La généralisation dépend fortement de la diversité des données d'entraînement. Les corrections apprises sur des jeux de données expérimentaux rares (ex: Monai Valley) sont spécifiques au régime. De plus, les zones non observées par des capteurs restent mathématiquement non contraintes (problème mal posé).

5. Signification et Impact

Ce travail marque une avancée significative en ingénierie côtière et en apprentissage scientifique (Scientific Machine Learning) :

1. Unification des paradigmes : Il efface la frontière entre la simulation directe et l'optimisation inverse, offrant un cadre unifié où la physique et l'apprentissage automatique coexistent dans un seul graphe de calcul.
2. Élimination de la barrière de l'adjoint : Il rend obsolète la nécessité de dériver manuellement des équations adjointes complexes pour chaque nouveau problème ou modification de modèle, accélérant considérablement le développement de nouveaux outils de conception et d'inversion.
3. Nouvelle approche de contrôle : Il ouvre la voie à des stratégies de contrôle actif robustes et efficaces pour les structures côtières, en permettant aux politiques de contrôle d'apprendre directement sur la dynamique fluide exacte.
4. Appel à l'action : Les auteurs soulignent la nécessité de nouvelles campagnes expérimentales à grande échelle générant des données denses et variées pour entraîner des paramétrisations sous-maille véritablement généralisables.

En résumé, AegirJAX démontre que l'intégration de solveurs physiques rigoureux dans des frameworks de différenciation automatique permet de résoudre des problèmes d'ingénierie côtière complexes (inversion, contrôle, conception) avec une efficacité et une précision inédites.