No-Harm Physics-Informed Inverse Learning with Residual-Calibrated Uncertainty

Résumé Technique : Apprentissage Inversé Informé par la Physique sans Préjudice avec Incertitude Calibrée par les Résidus

Énoncé du Problème
L'apprentissage informé par la physique, en particulier les réseaux de neurones informés par la physique (PINNs), est de plus en plus appliqué aux problèmes inverses régis par des équations aux dérivées partielles (EDP). Bien que ces méthodes puissent améliorer la qualité de la reconstruction dans des régimes familiers, leur fiabilité dans des contextes mal posés reste difficile à certifier. Une reconstruction apprise peut paraître visuellement plausible ou atteindre une faible perte d'entraînement tout en restant instable sous l'effet de perturbations des données, de désaccords de modèles ou de décalages de distribution hors domaine (out-of-distribution). Les approches actuelles manquent souvent d'informations de fiabilité calculables, ce qui rend impossible la distinction entre une véritable amélioration et une solution « hallucinée » ou instable. Le défi central est de développer un cadre permettant aux solveurs appris à s'améliorer par rapport aux lignes de base traditionnelles sans dégrader silencieusement la fiabilité.

Méthodologie
Le document propose un cadre de certification et de sélection « sans préjudice » qui agit comme une couche de décision plutôt que comme une nouvelle architecture de reconstruction. Le principe fondamental est qu'une reconstruction inverse apprise ne doit remplacer une reconstruction de référence que si son rayon d'incertitude calibré par les résidus n'est pas manifestement pire que celui de la référence.

La méthodologie procède selon les étapes suivantes :

1. Définition des Résidus : Pour une reconstruction candidate $(u, q)$, le cadre calcule quatre composantes de résidus distinctes :

   • Résidu de Données ($r_{data}$) : L'écart entre la sortie du modèle et les observations bruitées.
   • Résidu de Physique ($r_{pde}$) : La violation de l'EDP régissante.
   • Résidu de Condition Limite/Initiale ($r_{bc}$) : L'écart avec les contraintes de bord ou initiales.
   • Résidu d'Optimisation ($r_{opt}$) : Une mesure de stationnarité (par exemple, la norme du gradient) pour tenir compte des minimiseurs approximatifs et d'un entraînement inachevé.

2. Stabilité Conditionnelle et Bornes d'Erreur : Le cadre repose sur une estimation de stabilité conditionnelle (Hypothèse 1), qui postule que, pour un ensemble de solutions admissibles, l'erreur de reconstruction est bornée par une puissance de la somme des résidus et du bruit. Sous cette hypothèse, le document dérive une borne d'erreur a posteriori (Théorème 1). Cette borne définit un rayon d'incertitude calibré par les résidus ($R$) qui sert de borne supérieure déterministe sur l'erreur de reconstruction.

3. Extensions Stochastiques et d'Optimisation :

   • Pour les résidus de physique estimés via des points de collocation aléatoires, le document dérive des bornes supérieures à haute probabilité (Théorème 3) en utilisant l'inégalité de Hoeffding, garantissant que le certificat reste valide même lorsque les résidus sont échantillonnés.
   • Un résidu d'optimisation est explicitement inclus pour pénaliser les solutions où l'optimiseur n'a pas atteint un point stationnaire significatif, empêissant l'acceptation de résultats d'entraînement « inachevés ».

4. La Règle de Sélection Sans Préjudice : Étant donné une reconstruction de référence avec un rayon $R_{base}$ et une reconstruction apprise avec un rayon $R_{learn}$, la solution apprise n'est acceptée que si :
   $$R_{learn} \leq R_{base} + \epsilon_{safe}$$
   où $\epsilon_{safe}$ est une tolérance prescrite. Si cette condition échoue, le cadre revient par défaut à la solution de référence. Cela garantit que la sortie sélectionnée est toujours contrôlée par le certificat de fiabilité de la référence.

Principales Contributions
Le document présente sept contributions primaires :

1. Définition du Certificat de Résidu : Un certificat unifié combinant les résidus de données, de physique, de conditions limites/initiales et d'optimisation.
2. Borne d'Erreur A Posteriori : Une preuve que, sous stabilité conditionnelle, ces résidus produisent une borne calculable sur l'erreur de reconstruction.
3. Rayon d'Incertitude : L'introduction d'un rayon d'incertitude calibré par les résidus qui peut être rapporté aux côtés des reconstructions apprises.
4. Règle de Sélection Sans Préjudice : Une règle déterministe qui n'accepte les reconstructions apprises que lorsqu'elles améliorent ou égalent la fiabilité certifiée d'une ligne de base.
5. Certification Stochastique : Des bornes à haute probabilité pour les résidus de physique estimés à partir de points de collocation indépendants.
6. Intégration du Résidu d'Optimisation : Un mécanisme pour tenir compte des minimiseurs approximatifs et de la convergence incomplète de l'entraînement via des diagnostics de stationnarité.
7. Validation Numérique : Des tests complets à travers divers problèmes inverses (récupération de source de Poisson, reconstruction de chaleur inverse, tomographie à angle limité et identification de coefficients elliptiques) pour valider le comportement du cadre sous le bruit, le désaccord de modèle et l'imprécision (ill-posedness).

Résultats
Des expériences numériques valident le cadre à travers cinq scénarios distincts :

• Récupération de Source de Poisson : Le sélecteur a accepté avec succès les candidats appris « bons » présentant des rayons certifiés plus petits, tout en rejetant les candidats « décalés » et « inachevés » qui présentaient des rayons plus grands, malgré une apparence visuelle plausible pour certains.
• Reconstruction de Chaleur Inverse : Dans des régimes fortement mal posés (où la carte directe est fortement lissante), le cadre est devenu conservateur, rejetant les candidats appris même lorsque leur erreur réelle était modérée, car leurs rayons certifiés dépassaient celui de la référence en raison de l'instabilité.
• Tomographie à Angle Limité : Un test de stress critique a montré qu'un candidat appris avec une erreur réelle plus faible (a posteriori) a été rejeté parce que son rayon certifié était plus grand que celui de la référence. Cela démontre la dépendance de la règle vis-à-vis des preuves disponibles plutôt qu'à la vérité terrain.
• Identification de Coefficient Géophysique : Le cadre a accepté des améliorations apprises dans l'identification de coefficients tout en rejetant des candidats décalés, confirmant sa capacité à détecter les incohérences structurelles.
• Validation des Résidus Stochastiques : Des tests avec des points de collocation indépendants ont confirmé que les bornes à haute probabilité sont conservatrices et se resserrent à mesure que le nombre de points de validation augmente, atteignant une couverture de 100 % dans les régimes testés.

Un balayage de suffisance à grande échelle (21 000 essais) a révélé que la règle sans préjudice est très conservatrice : elle a rejeté plus de 54 % des candidats appris qui étaient en réalité plus précis que la référence (faux rejets) afin de garantir qu'aucun candidat dangereux (moins de 1,2 % des sélections) ne soit accepté. Cela confirme que le cadre privilégie la fiabilité sur la maximisation du potentiel d'exactitude lorsque la vérité terrain est inconnue.

Signification et Revendications
Le document affirme que sa contribution principale n'est pas une nouvelle architecture neuronale ou un solveur spécifique, mais une règle de décision réutilisable pour l'apprentissage inverse informé par la physique. Le cadre déplace le paradigme opérationnel de « reconstruire et espérer » vers « reconstruire, certifier et sélectionner ».

Les auteurs soulignent que la méthode est indépendante de l'architecture, capable d'envelopper des PINNs, des opérateurs neuronaux, des solveurs déroulés (unrolled solvers) ou des optimiseurs classiques. La signification réside dans la fourniture d'un mécanisme pour empêcher les sorties apprises non certifiées de remplacer silencieusement des lignes de base traditionnelles plus sûres. En liant l'acceptation à un certificat calibré par les résidus dérivé de la stabilité conditionnelle, le cadre garantit que toute amélioration de la reconstruction est soutenue par la cohérence des données, la conformité physique et la convergence de l'optimisation, plutôt que par la seule plausibilité visuelle ou la perte d'entraînement. Le document conclut qu'en l'absence de vérité terrain, le principe sans préjudice fournit un garde-fou nécessaire pour le déploiement de l'apprentissage informé par la physique dans des problèmes inverses critiques.