Résumé Technique : PINNsur

Énoncé du Problème

Les équations aux dérivées partielles (EDP) sur des surfaces courbes bidimensionnelles plongées dans $\mathbb{R}^3$ sont fondamentales pour le traitement géométrique, la simulation physique et le calcul scientifique. L'approche standard, la méthode des éléments finis (MEF), discrétise la surface en éléments géométriques (généralement des triangles). Bien que la MEF offre des garanties de convergence théorique, elle est sensible à la qualité du maillage, nécessite un raffinement soigneux et éprouve des difficultés avec des topologies complexes ou des triangulations de mauvaise qualité.

Les réseaux de neurones informés par la physique (PINN) sont apparus comme une alternative sans maillage qui approxime les solutions via des réseaux de neurones différentiables. Cependant, les cadres PINN existants fonctionnent généralement sur des domaines euclidiens plats ($\mathbb{R}^d$) et manquent de méthodes robustes pour les surfaces courbes. Les tentatives récentes d'étendre les PINN aux surfaces reposent souvent sur des mappings paramétriques (par exemple, mapper une sphère vers la surface), ce qui limite l'applicabilité à des topologies spécifiques (par exemple, genre-0) et introduit des erreurs de discrétisation. De plus, bien que les PINN montrent un succès empirique, il existe un manque de preuves systématiques et de compréhension théorique concernant leur convergence vers la solution vraie, en particulier lorsque l'approximation de la fonction et l'approximation géométrique de la surface doivent converger simultanément.

Méthodologie : PINNsur

Les auteurs proposent PINNsur, un cadre pour résoudre des EDP sur des variétés courbes arbitraires sans nécessiter de domaine paramétrique ni de discrétisation explicite par maillage. L'innovation centrale est l'utilisation d'un champ neuronal uniquement basé sur les normales pour construire des opérateurs différentiels de surface.

1. Construction de l'Opérateur de Surface

Au lieu de paramétrer la surface $\Omega$, PINNsur définit les opérateurs différentiels de surface en projetant les opérateurs euclidiens sur le plan tangent en utilisant le vecteur normal de surface $\mathbf{n}$.

• Gradient de surface : $\nabla_\Omega u = \nabla_{\mathbb{R}^3} u - (\nabla_{\mathbb{R}^3} u \cdot \mathbf{n})\mathbf{n}$
• Divergence de surface : $\nabla_\Omega \cdot \mathbf{F} = \nabla_{\mathbb{R}^3} \cdot \mathbf{F} - \mathbf{n}^T J(\mathbf{F}) \mathbf{n}$
• Opérateur de Laplace-Beltrami : $\Delta_\Omega u = \nabla_{\mathbb{R}^3} \cdot (\nabla_\Omega u) - \mathbf{n}^T J(\nabla_\Omega u) \mathbf{n}$

Cette formulation permet de calculer l'opérateur de Laplace-Beltrami via une différenciation automatique sur un réseau de coordonnées standard $u_\theta: \mathbb{R}^3 \to \mathbb{R}$, à condition que le champ normal $\mathbf{n}$ soit connu.

2. Architecture du Réseau

Le cadre emploie deux réseaux de neurones distincts :

• Réseau de Normales ($\hat{n}_\theta$) : Un réseau Siren (MLP avec des activations sinus) entraîné pour approximer le champ de normales de surface $\mathbf{n}$ en tout point de $\Omega$. Pour les surfaces données sous forme de maillages, ce réseau apprend à lisser les normales de maillage constantes par morceaux. Pour les conditions aux limites de Neumann, un réseau séparé apprend les normales de frontière $\mathbf{\nu}$.
• Réseau d'EDP ($u_\theta$) : Un réseau de coordonnées qui résout l'EDP cible (par exemple, Poisson ou Helmholtz). Il utilise le réseau de normales pré-entraîné pour calculer l'opérateur de Laplace-Beltrami via les formules de projection ci-dessus.

3. Entraînement et Perte

L'EDP est résolue en minimisant une fonction de perte composée de :

• Résidu de l'EDP : La norme $L_2$ au carré du résidu de l'équation (par exemple, $\|\Delta_\Omega u_\theta - f\|_2^2$).
• Contraintes de frontière douces : Termes de pénalité pour les conditions de Dirichlet ($\|u_\theta - g\|_2^2$) et de Neumann ($\|\nabla_\Omega u_\theta \cdot \mathbf{\nu} - h\|_2^2$).

La méthode supporte des topologies de variétés arbitraires, y compris des surfaces fermées (sans frontière) et des surfaces avec des frontières complexes, à condition que le champ normal soit continu.

Contributions Clés

1. Cadre PINNsur : Une méthode simple, sans paramétrisation, pour résoudre des EDP de surface en utilisant un champ neuronal uniquement basé sur les normales. Elle élimine le besoin de cartes paramétriques, supportant ainsi des topologies arbitraires.
2. Critère de Convergence Empirique : Les auteurs introduisent un test systématique pour la convergence des PINN. Analogiquement à la MEF où l'erreur diminue avec le nombre d'éléments, ce critère postule que l'erreur PINN devrait diminuer à mesure que le nombre de poids ajustables (#W) augmente. La convergence est définie empiriquement par une pente négative dans le graphique log-log de l'erreur par rapport au #W.
3. Étude Systématique de Convergence : L'article fournit des preuves empiriques extensives démontrant que PINNsur converge vers la solution vraie à travers diverses EDP (Poisson, Helmholtz, Chaleur), conditions aux limites (Dirichlet, Neumann, sans frontière) et géométries.

Résultats

Les auteurs valident PINNsur par rapport à la MEF et d'autres bases de référence PINN :

• Comportement de Convergence : Les expériences montrent qu'à mesure que la largeur du réseau (et donc le #W) augmente, l'erreur relative $L_2$ diminue systématiquement. Les taux de convergence (pentes de -0,3 à -1,4 selon le problème) sont comparables ou supérieurs à ceux de la MEF et nettement meilleurs que ceux des PINN standards utilisant des activations tanh ou ReLU.
• Comparaison avec les Bases de Référence :
  • vs. MEF : PINNsur atteint des taux de convergence similaires à la MEF pour des degrés de liberté comparables mais est moins sensible à la qualité du maillage.
  • vs. PINN Paramétriques : Comparé aux travaux de Williamson et Mitra [2025], PINNsur atteint des erreurs plus faibles et s'applique à des topologies arbitraires, alors que l'approche paramétrique est limitée aux surfaces homéomorphes à une sphère.
  • vs. PINN Standards : Les PINN standards (par exemple, Kharazmi et al., Yu et al.) échouent à converger sous la même stratégie de raffinement, attribué aux capacités supérieures d'approximation des hautes fréquences de l'architecture Siren.
• Applications : La méthode résout avec succès :
  • Flot de Courbure Moyenne : Simulation de l'évolution de surface.
  • Géodésiques Thermiques : Calcul des distances géodésiques via l'équation de la chaleur.
  • Surfaces Minimales : Récupération de caténoïdes à partir de cylindres.
  • Interpolation Harmonique : Remplissage de trous dans des surfaces avec des conditions aux limites de Dirichlet.

Importance et Limitations

L'article affirme que PINNsur comble un fossé critique dans le calcul géométrique en fournissant un solveur sans maillage, agnostique de la topologie, avec des propriétés de convergence démontrées. Il établit que les PINN peuvent être des solveurs fiables pour les EDP de surface si l'approximation géométrique (normales) est correctement gérée et si la capacité du réseau est suffisamment affinée.

Limitations :

• La méthode échoue si la surface possède un champ normal discontinu (par exemple, des coins vifs avec des conditions aux limites de Neumann).
• La convergence n'est pas garantie si la solution $u$ contient des fréquences extrêmement élevées ou si l'intervalle de la fonction est trop grand.
• Bien que sans maillage, le coût computationnel de l'entraînement peut être plus élevé que celui de la MEF, et la méthode n'offre pas encore de bornes de convergence théoriques, reposant plutôt sur des preuves empiriques.

Les auteurs concluent en notant que, bien que leur travail actuel soit empirique, les directions futures incluent la dérivation de bornes de convergence théoriques basées sur l'expressivité des réseaux de neurones et les lois d'échelle.