Résumé Technique : Opérateurs de Neurones Topologiques (TNOs)

1. Énoncé du Problème

Les opérateurs de neurones (NO) actuels, tels que les opérateurs de neurones de Fourier (FNO) et les opérateurs de neurones sur graphes (GNO), ont connu un succès significatif dans l'apprentissage de cartes de solutions pour les équations aux dérivées partielles (EDP). Cependant, ils opèrent fondamentalement sur une abstraction centrée sur le point : toutes les quantités physiques (potentiels, flux, densités) sont représentées comme des fonctions définies sur des nœuds ou des sommets, avec des interactions modélisées via des noyaux appris ou du passage de messages.

Cette abstraction néglige un aspect structurel critique de la physique des milieux continus : le type géométrique. Dans les systèmes physiques, les quantités résident naturellement sur différents supports dimensionnels :

• Les potentiels vivent sur les sommets (0-cellules).
• Les circulations/flux vivent sur les arêtes (1-cellules).
• Les flux/vorticités vivent sur les faces (2-cellules).
• Les densités vivent sur les volumes (3-cellules).

Leurs interactions sont régies par des opérateurs différentiels (gradient, rotationnel, divergence) qui couplent ces quantités à travers les dimensions. Dans les discrétisations numériques compatibles (par exemple, le calcul extérieur par éléments finis), ces relations sont encodées via des structures d'incidence, garantissant que les lois de conservation (par exemple, $\text{div}(\text{curl}) = 0$) sont respectées par construction. En réduisant toutes les quantités aux nœuds, les NO existants occultent cette structure, limitant leur capacité à modéliser des systèmes multiphysiques, à imposer la conservation et à capturer les effets topologiques comme les cycles et les modes harmoniques.

2. Méthodologie

2.1 Cadre Fondamental : Opérateurs de Neurones Topologiques (TNOs)

Les auteurs introduisent les Opérateurs de Neurones Topologiques (TNOs), un cadre pour l'apprentissage d'opérateurs sur des complexes de cellules (spécifiquement les complexes de cellules régulières, RCC). Au lieu de représenter les données uniquement sur des points, les TNO représentent les données comme des cochaînes — des caractéristiques définies sur des cellules de diverses dimensions (sommets, arêtes, faces, volumes).

Principes de Conception Clés :

1. Découplage du Flux et de la Transformation : Le cadre sépare l'endroit où l'information circule (géré par des opérateurs topologiques fixes) de la manière dont elle est transformée (apprise).
2. Calcul Extérieur Discret (DEC) : Les interactions entre les cochaînes de différentes dimensions sont modélisées à l'aide d'opérateurs DEC :
   • Dérivée Extérieure Discrète ($d_k$) : Mappe les $k$-cochaînes vers les $(k+1)$-cochaînes (ex: gradient, rotationnel).
   • Codifférentielle ($\delta_k$) : Mappe les $k$-cochaînes vers les $(k-1)$-cochaînes (adjoint métrique de $d$, ex: divergence).
   • Laplacien de Hodge ($\Delta_k$) : Combine $d$ et $\delta$ pour fournir une propagation de même rang médiée par les dimensions adjacentes.
3. Couplage Trans-Dimensionnel Natif : L'information circule explicitement entre les rangs via des opérateurs d'incidence. L'architecture apprend des matrices de mélange de canaux ($W$) et des non-linéarités ($\phi_\theta$) appliquées à ces caractéristiques routées, mais la topologie de routage est fixée par le complexe de cellules.

2.2 Détails de l'Architecture

Une couche TNO met à jour les cochaînes cachées $H = (H_0, \dots, H_N)$ sur un complexe élevé $\tilde{K}$ :
$$H_k^{\text{out}} = \phi_\theta \left( d_{k-1} H_{k-1} W^\downarrow_k, \; \Delta^\uparrow_k H_k W^{\Delta,\uparrow}_k, \; \Delta^\downarrow_k H_k W^{\Delta,\downarrow}_k, \; H_k, \; \delta_{k+1} H_{k+1} W^\uparrow_k \right)$$
Cette structure sépare explicitement le signal en canaux exacts (provenant de $d$), coexacts (provenant de $\delta$), harmoniques (provenant du noyau de $\Delta$) et propres (self), s'alignant ainsi sur la décomposition de Hodge.

2.3 TNO Hiérarchiques (HTNOs)

Pour capturer l'information à longue portée et dépendante de la topologie, les auteurs proposent des TNO Hiérarchiques (HTNOs). Ils incorporent une séquence de complexes de cellules grossiers ($K_0 \leftarrow K_1 \leftarrow \dots \leftarrow K_L$).

• L'information se propage à travers les niveaux via des applications de restriction ($R$) et de prolongation ($\Pi$).
• Idéalement, ces applications commutent avec les opérateurs de cobordure ($d$), préservant la structure de de Rham à travers les échelles (analogue au multigrid FEEC).
• Les HTNO agissent comme des cycles-V appris, utilisant des blocs de niveau fin pour la physique locale trans-degré et des blocs de niveau grossier pour la propagation topologique globale.

2.4 Unification Théorique

L'article démontre que les NO standards sont des cas restreints des TNO :

• Les FNO sont récupérés comme des TNO spectraux de rang 0 sur des grilles uniformes.
• Les GNO sont récupérés comme des TNO de quadrature de graphe de rang 0.
  Ainsi, les TNO fournissent une perspective unifiée sur l'apprentissage d'opérateurs à travers les discrétisations.

3. Contributions Clés

1. Un Cadre Fondé : Introduction des TNO pour l'apprentissage d'opérateurs sur des complexes de cellules (étendant les opérateurs de neurones aux champs à valeurs de cochaînes et permettant un codage explicite trans-dimensionnel via le DEC).
2. Perspective Unifiée : Un cadre théorique qui encapsule les NO existants basés sur les points et les graphes comme des cas particuliers (restrictions de rang 0).
3. Extension Hiérarchique : Développement des HTNO pour une propagation efficace multi-échelle de l'information globale et topologique.
4. Validation Empirique : Études d'ablation exhaustives et benchmarks démontrant que la structure de rang supérieur native et les biais inductifs topologiques améliorent la précision et la cohérence physique.

4. Résultats Expérimentaux

Les auteurs ont évalué les TNO et les HTNO sur une gamme de benchmarks d'EDP stationnaires et temporels sur des maillages irréguliers 2D et 3D.

• Benchmarks Stationnaires (Poisson-Gauss, Airfoil, Élasticité) : Les TNO et HTNO ont surpassé sept bases solides (incluant RIGNO, Geo-FNO, GINO, UPT) sur Poisson-Gauss et l'Élasticité. Sur le flux d'aile (Airfoil), les TNO étaient compétitifs avec RIGNO-18.
• Profils d'Ailes Compressibles et Poisson-avec-Sinus : Sur des jeux de données allant des régimes subsoniques à supersoniques (NACA, RAE), les TNO et HTNO ont nettement surpassé RIGNO et GAOT, grâce à l'alignement des biais de Hodge/harmoniques des TNO avec les caractéristiques elliptiques de l'écoulement.
• Surfaces de Grande Échelle (EmmiWing) : Sur des surfaces d'ailes 3D avec ~65K points de requête, l'HTNO a obtenu l'erreur L1 agrégée la plus faible (2,41 %), surpassant Transolver, PointNet et RIGNO, tout en convergeant en environ $6\times$ moins d'époques.
• Études Contrôlées :
  • Darcy Anisotrope : Dans une configuration où l'information tensorielle orientée face est perdue lors de la projection vers les sommets, les TNO avec une ingestion de rang 2 native (traitant directement les données de face) ont surpassé les variantes de type sommet ou projetées d'environ 0,5 %, prouvant le bénéfice du respect du support géométrique.
  • Ablation de Composantes : La suppression de la base harmonique ou du transport de faisceau (sheaf transport) a considérablement dégradé les performances sur les EDP avec un rotationnel non trivial, confirmant que ces composantes sont des biais inductifs synergiques plutôt que des caractéristiques additives.

5. Signification et Revendications

L'article affirme que les TNO représentent un passage de "tout apprendre" à "apprendre la transformation de flux structurellement préservés". En découplant le flux topologique fixe (incidence, bord, opérateurs de Hodge) de la transformation de caractéristiques apprenable, les TNO :

• Respectent le Support Géométrique : Ils traitent les quantités physiques selon leur dimension naturelle (sommet, arête, face, volume).
• Imposent la Conservation : Ils incorporent des structures de conservation et de compatibilité (ex: $\text{div}(\text{curl})=0$) dans l'architecture par construction, plutôt que de compter sur les données pour apprendre ces contraintes.
• Permettent le Transfert de Discrétisation : Les poids partagés à travers les raffinements et l'utilisation d'opérateurs DEC intrinsèques permettent au modèle de généraliser à travers différentes résolutions de maillage et géométries.
• Unifient l'Apprentissage d'Opérateurs : Ils fournissent un cadre unique qui récupère les NO réussis comme des cas particuliers tout en étendant la capacité aux systèmes multiphysiques et de rang supérieur.

Les auteurs concluent que cette approche pointe vers des "modèles de fondation scientifiques" capables d'apprendre des opérateurs sur des espaces structurés, unifiant la géométrie, la physique et le calcul. Ils reconnaissent les limites concernant le passage à l'échelle vers des domaines dynamiques/adaptatifs et la nécessité d'une analyse théorique plus poussée de la stabilité et de la convergence, notant que les TNO sont des approximations apprises et ne garantissent pas une correction physique certifiée en dehors de la distribution d'entraînement.