fPINN-DeepONet: A Physics-Informed Operator Learning Framework for Multi-term Time-fractional Mixed Diffusion-wave Equations

Résumé technique : fPINN-DeepONet pour les équations de diffusion-ondes mixtes à temps fractionnaire multi-termes

Énoncé du problème
L'article aborde le défi de la résolution des équations de diffusion-ondes mixtes à temps fractionnaire multi-termes (TFMDWEs). Ces équations généralisent les équations aux dérivées partielles (EDP) à temps fractionnaire mono-termes (TFPDEs) et sont essentielles pour modéliser les processus de diffusion anormale, l'amortissement viscoélastique et le mouvement sous-diffusif dans les champs de vitesse. Le problème spécifique concerne des équations de la forme :
$$\sum_{i=1}^s K_i {}_0^C D_t^{\alpha_i} u(x, t) = \Delta u(x, t) + f(x, t)$$
où les ordres fractionnaires $\alpha_i$ peuvent varier entre 0 et 2, et l'équation peut impliquer plusieurs termes avec des ordres différents. Les méthodes numériques traditionnelles (différences finies, éléments finis, méthodes spectrales) peinent à résoudre ces problèmes en raison de la nature non locale des dérivées fractionnaires et de la croissance exponentielle du coût computationnel dans les scénarios de haute dimension ou à ordre variable. De plus, les approches d'apprentissage profond existantes reposent souvent sur des approximations L1 ou se concentrent sur des équations mono-termes, laissant un vide dans la gestion efficace des EDP fractionnaires (FPDEs) multi-termes et à ordre variable.

Méthodologie
Les auteurs proposent fPINN-DeepONet, un cadre d'apprentissage d'opérateurs profond informé par la physique qui intègre une approximation numérique novatrice avec l'architecture du Réseau d'Opérateur Profond (DeepONet).

1. Approximation L2 pour les dérivées fractionnaires :
   La contribution numérique centrale est la dérivation d'une approximation L2 pour la dérivée fractionnaire de Caputo d'ordre $\beta \in (1, 2)$. Cela permet d'atteindre une précision d'ordre un. Les auteurs combinent cette approximation avec l'approximation L1 standard pour les ordres $\alpha \in (0, 1)$. Ces approximations sont utilisées pour discrétiser les dérivées temporelles fractionnaires au sein de la fonction de perte, permettant au réseau de neurones de calculer le résidu basé sur la physique sans nécessiter de solveurs explicites basés sur une grille pour les termes fractionnaires.

2. Architecture DeepONet :
   Le cadre utilise une structure DeepONet composée de :

   • Réseau de branche (Branch Net) : Encode la fonction d'entrée. Selon le type de problème, cette entrée peut être le terme source $f(x,t)$, les conditions initiales, ou la fonction d'ordre fractionnaire $\alpha(x,t)$ (pour les problèmes à ordre variable). L'entrée est discrétisée en un ensemble de points capteurs.
   • Réseau de tronc (Trunk Net) : Traite les coordonnées de requête $(x, t)$ au sein du domaine spatio-temporel.
   • Sortie : Le produit scalaire des sorties du réseau de branche et du réseau de tronc approxime l'opérateur de solution $G^\dagger$, mappant les fonctions d'entrée vers la solution $u(x,t)$.

3. Construction de la fonction de perte :
   L'objectif d'entraînement minimise une fonction de perte totale $L = L_{phy} + L_{data}$ :

   • Perte physique ($L_{phy}$) : Intègre le résidu de l'EDP fractionnaire gouvernante, les conditions initiales et les conditions aux limites. Crucialement, les termes de dérivée fractionnaire dans le résidu sont calculés en utilisant les approximations L2/L1 proposées appliquées à la sortie prédite par le réseau.
   • Perte de données ($L_{data}$) : Mesure l'erreur quadratique moyenne entre la solution prédite et les données de vérité terrain disponibles (si disponibles).

4. Algorithmes :
   L'article détaille deux algorithmes spécifiques :

   • Algorithme 1 : Résout des FPDEs à ordre fractionnaire fixe où l'entrée du réseau de branche est le terme source ou les conditions initiales.
   • Algorithme 2 : Résout des FPDEs à ordre fractionnaire variable où l'entrée du réseau de branche est la fonction d'ordre fractionnaire $\alpha(x,t)$, permettant au modèle de généraliser à travers différentes configurations d'ordres.

Contributions clés

• Schéma d'approximation novateur : La dérivation et l'intégration d'une approximation L2 pour les dérivées de Caputo d'ordre $\beta \in (1, 2)$ dans un cadre de réseaux de neurones informés par la physique.
• Apprentissage d'opérateurs pour les FPDEs multi-termes : La première application de DeepONet aux équations de diffusion-ondes mixtes à temps fractionnaire multi-termes, gérant à la fois les ordres fractionnaires fixes et variables au sein d'un cadre unifié.
• Polyvalence dans les types de problèmes : Le cadre est démontré capable de résoudre des problèmes directs (prédiction de solutions), des problèmes inverses (identification des ordres fractionnaires) et de gérer des ordres fractionnaires discontinus et des domaines spatiaux de haute dimension.
• Robustesse : Le modèle est testé dans des conditions de données bruyantes, démontrant une résilience face à des niveaux de bruit gaussien allant jusqu'à 80 %.

Résultats expérimentaux
Les auteurs ont mené des expériences numériques extensives en utilisant la bibliothèque PyTorch :

• Problèmes à ordre fixe : Le modèle a atteint une haute précision pour les FODEs et les FPDEs à ordres fixes (par exemple, $\alpha=0.5, \beta=1.5$), avec des erreurs relatives $L_2$ aussi faibles que $10^{-6}$ pour les TFMDWEs.
• Problèmes à ordre variable : Le cadre a appris avec succès les solutions pour des FPDEs où l'ordre fractionnaire $\alpha$ était une fonction du temps $\alpha(t)$ ou de l'espace-temps $\alpha(x,t)$. Dans les problèmes inverses, il a récupéré avec précision la fonction d'ordre fractionnaire avec des erreurs relatives autour de $10^{-5}$.
• Ordres discontinus : Le modèle a géré efficacement les ordres fractionnaires discontinus (fonctions échelon), capturant les sauts dans la fonction d'ordre avec une erreur relative $L_2$ de 0,0014.
• Hautes dimensions : L'approche a été étendue à des domaines spatiaux 2D, démontrant la faisabilité pour des FPDEs de dimensions supérieures.
• Robustesse au bruit : Même avec l'ajout de 20 % à 80 % de bruit gaussien au terme de forçage, l'erreur de test est restée stable autour de $10^{-2}$, confirmant la robustesse du modèle.
• Sensibilité aux hyperparamètres : Les expériences ont montré que les erreurs de test diminuaient avec l'augmentation des points de données et l'optimisation de la largeur/profondeur du réseau, atteignant des erreurs de $\sim 10^{-5}$ avec 200x200 points de données et une largeur de réseau de 150.

Signification et affirmations
L'article affirme que fPINN-DeepONet fournit une alternative polyvalente et efficace aux méthodes traditionnelles basées sur la grille pour résoudre des EDP fractionnaires complexes. En intégrant l'approximation L2 avec l'apprentissage d'opérateurs, le cadre surmonte les goulots d'étranglement computationnels associés à la nature non locale des dérivées fractionnaires. Les auteurs soulignent que leur approche :

1. Généralise bien : Elle gère à la fois les ordres fractionnaires fixes et variables, y compris les cas discontinus, sans réentraîner l'architecture entière pour chaque nouvelle configuration d'ordre.
2. Réduit les besoins en données : En tant que méthode informée par la physique, elle exploite les équations gouvernantes pour contraindre l'espace des solutions, nécessitant moins de points de données étiquetés par rapport aux approches purement pilotées par les données.
3. Reste robuste : Elle maintient sa précision en présence de bruit significatif, la rendant adaptée aux scénarios réels où les données peuvent être imparfaites.

Ce travail se positionne comme une avancée dans l'apprentissage machine scientifique, abordant spécifiquement le domaine inexploré de la combinaison des approximations L2 avec l'apprentissage d'opérateurs profonds pour les FPDEs multi-termes et à ordre variable.