Résumé Technique : La Bonne Mesure pour la Génération Contrainte par la Physique

Énoncé du Problème

Les modèles génératifs, en particulier les architectures de diffusion et de flow-matching, sont de plus en plus employés pour résoudre les problèmes inverses d'équations aux dérivées partielles (EDP). Le flux de travail standard consiste à entraîner un a priori génératif $\pi(x)$, puis à imposer des contraintes physiques (EDP régissantes, conditions aux limites ou cohérence des données) sous forme de contraintes strictes ($c(x)=0$) via projection ou guidage. Ces méthodes rapportent ensuite les échantillons contraints comme étant des tirages de la distribution bayésienne a posteriori pour effectuer la quantification de l'incertitude (UQ).

Cet article identifie une faille fondamentale dans cette recette largement adoptée : imposer une contrainte stricte ne produit pas des échantillons de l'a posteriori bayésien correct.

Le problème central est une ambiguïté de théorie de la mesure connue sous le nom de paradoxe de Borel–Kolmogorov. Conditionner une distribution continue sur une variété de mesure nulle (l'ensemble où $c(x)=0$) est mal défini sans spécifier comment la limite de la mesure nulle est prise.

1. La Limite Physique : La limite physiquement correcte suppose que l'EDP soit satisfaite jusqu'à un petit bruit résiduel ($c(x) \sim \mathcal{N}(0, \gamma^2 I)$ quand $\gamma \to 0$). Par la formule de co-aire, cette limite produit une densité a posteriori sur la variété $M$ qui inclut un facteur Jacobien de Fixman (co-aire) :
   $$p^\star(x) \propto \pi(x) \ell(y|x) [\det(J(x)J(x)^\top)]^{-1/2}, \quad x \in M$$
   où $J = \nabla c$ est le Jacobien de la contrainte.
2. La Limite Euclidienne : Les méthodes standards de projection et de guidage conditionnent implicitement sur un "tube" géométrique (distance euclidienne à la variété). Cette limite converge vers une mesure $p_E \propto \pi(x)$ sur $M$, laquelle omet le facteur Jacobien $[\det(JJ^\top)]^{-1/2}$.

Les deux limites coïncident uniquement si $\det(JJ^\top)$ est constant sur $M$. Pour les problèmes inverses d'EDP, la sensibilité de la contrainte est intrinsèquement hétérogène, ce qui signifie que le facteur omis n'est pas un détail mineur mais une source de biais systématique et non négligeable.

Méthodologie

Analyse Théorique

Les auteurs formalisent le biais en utilisant la formule de co-aire. Ils démontrent que la limite de "contrainte stricte" utilisée par les méthodes basées sur la projection (ex: PCFM) et les méthodes de guidage par résidu cible la limite euclidienne $p_E$, tandis que le véritable a posteriori physique est l'a posteriori de co-aire $p^\star$. Le rapport entre le véritable a posteriori et l'a posteriori biaisé est exactement le facteur de Fixman manquant :
$$\frac{dp^\star}{dp_E}(x) \propto [\det(J(x)J(x)^\top)]^{-1/2}$$
Ils démontrent en outre que ce biais ne peut être corrigé par un simple repondérage scalaire des échantillons projetés car la carte de projection elle-même distord l'a priori de manière dépendante de la courbure et non scalaire.

CoCoS : Échantillonneur de Contrainte Sensible à la Mesure

Pour échantillonner le véritable a posteriori $p^\star$, les auteurs introduisent CoCoS (Co-area Constrained Sampler). Il s'agit d'un échantillonneur MCMC exact conçu pour cibler directement l'a posteriori de co-aire :

1. Proposition Tangente : En un point $x \in M$, générer une étape de proposition $v$ dans l'espace tangent de la variété en utilisant une gaussienne isotrope.
2. Re-projection : Projeter le candidat $x+v$ sur la variété $M$ le long des directions normales (en résolvant une petite étape de Newton).
3. Acceptation de Metropolis : Accepter la proposition avec un ratio qui inclut le terme du potentiel de Fixman ($\frac{1}{2}\log \det(JJ^\top)$) et une vérification de réversibilité pour garantir que la distribution invariante est exactement $p^\star$.

CoCo-Flow : Amortissement de la Correction

Reconnaissant que le MCMC est coûteux en calcul pour les problèmes de haute dimension, les auteurs proposent CoCo-Flow. Cette approche amortit la correction en entraînant un modèle de flow-matching conditionnel pour imiter l'échantillonneur exact CoCoS.

• Entraînement : Générer des échantillons "enseignants" en utilisant l'algorithme exact CoCoS (ou en tirant des paires conjointes $(\theta, y)$ d'un simulateur direct, qui est intrinsèquement correct au niveau de la mesure).
• Inférence : Entraîner un modèle étudiant (flow) pour reproduire ces échantillons enseignants.
• Résultat : L'inférence au temps de test devient une résolution unique d'ODE, héritant de la correction de mesure du jeu de données d'entraînement sans nécessiter de calculs de Jacobien par requête ou d'étapes MCMC.

Résultats Clés

Les auteurs valident leurs affirmations en utilisant un arbitre de rejet i.i.d. (échantillonnage de rejet par bande de résidu), qui sert de référence absolue (gold standard) immunisée contre les pathologies de mélange du MCMC.

Benchmarks Contrôlés

• Nécessité du Facteur : Dans un problème 4D contrôlé, l'omission du facteur de Fixman (échantillonnage de la mesure de Hausdorff) a entraîné une erreur de l'a posteriori 21 fois supérieure au plancher de bruit.
• Biais de Projection : La projection standard par déplacement minimal (PCFM) était biaisée de 9 fois le plancher de bruit.
• Échec du Repondérage Scalaire : Un repondérage naïf des échantillons projetés par le terme scalaire du Jacobien a échoué à corriger le biais, augmentant souvent l'erreur (16 fois le plancher), confirmant que la distorsion est structurelle et non simplement un problème d'échelle.
• Précision de CoCoS : L'échantillonneur CoCoS correspondait à l'arbitre de référence à 2,5 fois le plancher de bruit, récupérant efficacement le véritable a posteriori.

Problèmes Inverses d'EDP (Écoulement de Darcy)

Évalué sur des problèmes inverses d'écoulement de Darcy en 1D et 2D avec sensibilité hétérogène :

• Mise à l'échelle : Le biais augmente avec la dimension et l'hétérogénéité de la sensibilité. Dans un problème de champ de valeurs en 2D ($d=64$), la sensibilité de la contrainte variait de $2,6 \times 10^5$. Bien qu'une moyenne naïve suggère un faible biais, l'analyse restreinte à l'espace sous-jacstant informé par la vraisemblance a révélé que le PCFM était biaisé de 21,7 fois le plancher.
• Quantification de l'Incertitude : Le biais se manifeste par un échec de calibration sévère. Le PCFM rapportait des écarts-types a posteriori qui étaient erronés de 96 % et introduisait des corrélations spécieuses (erreur de covariance de 122 %). CoCoS a récupéré l'étalement de l'a posteriori avec une erreur de 1 % et a correctement calibré les intervalles de crédibilité.
• Amortissement : CoCo-Flow a réussi à généraliser la correction à des observations non vues en 1D et 2D, atteignant une précision proche du plancher de bruit avec des temps d'inférence ordres de grandeur plus rapides que l'échantillonneur exact.

Quand le Biais est Négligeable

L'article note que dans les problèmes présentant une faible hétérogénéité de sensibilité (ex: une équation de Burgers visqueuse stationnaire en 1D), le biais est faible, et les méthodes de projection performent presque aussi bien que l'échantillonneur corrigé. Cela concorde avec la théorie selon laquelle le biais disparaît lorsque $\det(JJ^\top)$ est constant.

Signification et Revendications

L'article formule une revendication spécifique, modeste mais critique : « Satisfaire la physique » n'est pas la même chose que « échantillonner l'a posteriori ».

• Correction d'une Erreur Systématique : Les auteurs démontrent que la classe dominante de modèles génératifs contraints par la physique (projection et guidage) échantillonne systématiquement la mauvaise distribution en raison de l'absence d'un Jacobien de co-aire. Il ne s'agit pas d'un bug d'implémentation mais d'une conséquence de l'imposition de contraintes sur une variété de mesure nulle sans la correction de mesure appropriée.
• Impact sur l'UQ Scientifique : Pour l'inférence scientifique sensible à l'incertitude, ce biais n'est pas cosmétique. Il conduit à des estimations d'incertitude mal calibrées, des variances gonflées et des corrélations spécieuses, rendant les intervalles de confiance rapportés peu fiables.
• Solution Fondée sur des Principes : Le papier fournit une correction rigoureuse (le facteur de Fixman), un échantillonneur pratique (CoCoS) et un générateur amorti (CoCo-Flow) qui ciblent le véritable a posteriori.
• Portée : La critique vise les méthodes qui post-traitent un a priori fixe avec des contraintes strictes. Elle ne condamne pas les méthodes qui s'entraînent sur des paires conjointes simulées par un modèle direct (qui sont intrinsèquement correctes au niveau de la mesure) ou celles qui ne prétendent pas fournir des a posteriori calibrés.

En conclusion, l'article soutient que pour une inférence scientifique rigoureuse, la « bonne mesure » (la correction de co-aire) n'est pas optionnelle ; l'omettre invalide fondamentalement la quantification de l'incertitude fournie par ces modèles génératifs.